As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Ambientes de aprendizado de máquina oferecidos pela Amazon SageMaker AI
**Importante**
O Amazon SageMaker Studio e o Amazon SageMaker Studio Classic são dois dos ambientes de aprendizado de máquina que você pode usar para interagir com a SageMaker IA.
Se seu domínio foi criado depois de 30 de novembro de 2023, o Studio é sua experiência padrão.
Se seu domínio foi criado antes de 30 de novembro de 2023, o Amazon SageMaker Studio Classic é sua experiência padrão. Para usar o Studio se o Amazon SageMaker Studio Classic for sua experiência padrão, consulte[Migração do Amazon SageMaker Studio Classic](studio-updated-migrate.md).
Quando você migra do Amazon SageMaker Studio Classic para o Amazon SageMaker Studio, não há perda na disponibilidade dos recursos. O Studio Classic também existe como um IDE no Amazon SageMaker Studio para ajudá-lo a executar seus fluxos de trabalho legados de aprendizado de máquina.
SageMaker A IA oferece suporte aos seguintes ambientes de aprendizado de máquina:
+ *Amazon SageMaker Studio* (recomendado): a mais recente experiência baseada na web para executar fluxos de trabalho de ML com um conjunto de. IDEs O Studio é compatível com os seguintes aplicações:
+ Amazon SageMaker Studio clássico
+ Editor de Código, baseado em Code-OSS, Visual Studio Code - código aberto
+ JupyterLab
+ Amazon SageMaker Canvas
+ RStudio
+ *Amazon SageMaker Studio Classic*: permite criar, treinar, depurar, implantar e monitorar seus modelos de aprendizado de máquina.
+ *Instâncias do Amazon SageMaker Notebook*: permite que você prepare e processe dados, além de treinar e implantar modelos de aprendizado de máquina a partir de uma instância computacional executando o aplicativo Jupyter Notebook.
+ *Amazon SageMaker Studio Lab*: O Studio Lab é um serviço gratuito que oferece acesso a recursos AWS computacionais em um ambiente baseado em código aberto JupyterLab, sem a necessidade de uma AWS conta.
+ *Amazon SageMaker Canvas*: oferece a capacidade de usar o aprendizado de máquina para gerar previsões sem precisar codificar.
+ *Amazon SageMaker geospatial*: oferece a capacidade de criar, treinar e implantar modelos geoespaciais.
+ *RStudio na Amazon SageMaker AI*: RStudio é um IDE para [R](https://aws.amazon.com/blogs/opensource/getting-started-with-r-on-amazon-web-services/), com um console, editor de realce de sintaxe que oferece suporte à execução direta de código e ferramentas para plotagem, histórico, depuração e gerenciamento de espaço de trabalho.
+ *SageMaker HyperPod*: SageMaker HyperPod permite provisionar clusters resilientes para executar cargas de trabalho de aprendizado de máquina (ML) e desenvolver state-of-the-art modelos como modelos de linguagem grande (LLMs), modelos de difusão e modelos básicos (). FMs
Para usar esses ambientes de aprendizado de máquina, você ou o administrador da sua organização devem criar um domínio Amazon SageMaker AI. As exceções são Studio Lab, SageMaker Notebook Instances e. SageMaker HyperPod
Em vez de provisionar recursos manualmente e gerenciar permissões para você e seus usuários, você pode criar um domínio da Amazon DataZone . O processo de criação de um DataZone domínio Amazon cria um domínio Amazon SageMaker AI correspondente com bancos de dados Amazon Redshift AWS Glue ou Amazon Redshift para seus fluxos de trabalho de ETL. Configurar um domínio por meio da Amazon DataZone reduz o tempo necessário para configurar ambientes de SageMaker IA para seus usuários. Para obter mais informações sobre a configuração de um domínio do Amazon SageMaker AI na Amazon DataZone, consulte[Configurar SageMaker ativos (guia do administrador)](sm-assets-set-up.md).
Os usuários dentro do DataZone domínio da Amazon têm permissões para todas as ações da Amazon SageMaker AI, mas suas permissões são limitadas aos recursos dentro do DataZone domínio da Amazon.
A criação de um DataZone domínio da Amazon simplifica a criação de um domínio que permite que seus usuários compartilhem dados e modelos entre si. Para obter informações sobre como eles podem compartilhar dados e modelos, consulte[Acesso controlado aos ativos com o Amazon SageMaker Assets](sm-assets.md).
**Topics**
+ [SageMaker Estúdio Amazon](studio-updated.md)
+ [SageMaker JupyterLab](studio-updated-jl.md)
+ [Instâncias de SageMaker notebook da Amazon](nbi.md)
+ [Laboratório Amazon SageMaker Studio](studio-lab.md)
+ [Amazon SageMaker Canvas](canvas.md)
+ [Capacidades SageMaker geoespaciais da Amazon](geospatial.md)
+ [RStudio na Amazon SageMaker AI](rstudio.md)
+ [Editor de código no Amazon SageMaker Studio](code-editor.md)
+ [Amazon SageMaker HyperPod](sagemaker-hyperpod.md)
+ [IA generativa em ambientes de SageMaker notebook](jupyterai.md)
+ [Amazon Q Developer](studio-updated-amazon-q.md)
+ [Visão geral dos aplicativos Amazon SageMaker Partner AI](partner-apps.md)
# SageMaker Estúdio Amazon
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da experiência atualizada do Studio. Para obter informações sobre como usar a aplicação do Studio Classic, consulte [Amazon SageMaker Studio clássico](studio.md).
O Amazon SageMaker Studio é a mais recente experiência baseada na web para executar fluxos de trabalho de ML. O Studio oferece um conjunto de ambientes de desenvolvimento integrados (IDEs). Isso inclui o Code Editor, baseado no Code-OSS, o Visual Studio Code - Open Source, um novo JupyterLab aplicativo RStudio e o Amazon SageMaker Studio Classic. Para obter mais informações, consulte [Aplicativos compatíveis com o Amazon SageMaker Studio](studio-updated-apps.md).
A nova interface de usuário baseada na web no Studio é mais rápida e fornece acesso a todos os recursos de SageMaker IA, incluindo tarefas e endpoints, em uma única interface. Os profissionais de ML também podem escolher seu IDE preferido para acelerar o desenvolvimento de ML. Um cientista de dados pode usar JupyterLab para explorar dados e ajustar modelos. Além disso, um engenheiro de operações de aprendizado de máquina (MLOps) pode usar o Code Editor com a ferramenta de pipelines no Studio para implantar e monitorar modelos em produção.
A experiência anterior do Studio ainda está sendo suportada como Amazon SageMaker Studio Classic. O Studio Classic é a experiência padrão para clientes existentes e está disponível como uma aplicação no Studio. Para obter mais informações sobre status de cluster, consulte [Amazon SageMaker Studio clássico](studio.md). Para obter informações sobre como migrar do Studio Classic para Studio, consulte [Migração do Amazon SageMaker Studio Classic](studio-updated-migrate.md).
O Studio oferece os seguintes benefícios:
+ Um novo JupyterLab aplicativo que tem um tempo de inicialização mais rápido e é mais confiável do que o aplicativo Studio Classic existente. Para obter mais informações, consulte [SageMaker JupyterLab](studio-updated-jl.md).
+ Um conjunto deles IDEs é aberto em uma guia separada, incluindo o novo editor de código, baseado no Code-OSS, Visual Studio Code - aplicativo de código aberto. Os usuários podem interagir com o suporte IDEs em uma experiência de tela cheia. Para obter mais informações, consulte [Aplicativos compatíveis com o Amazon SageMaker Studio](studio-updated-apps.md).
+ Acesso a todos os seus recursos de SageMaker IA em um só lugar. O Studio exibe instâncias em execução em todos os suas aplicações.
+ Acesso a todos os trabalhos de treinamento em uma única visualização, independentemente de terem sido agendados a partir de notebooks ou iniciados pela Amazon SageMaker JumpStart.
+ Fluxos de trabalho simplificados de implantação de modelos e gerenciamento e monitoramento de endpoints diretamente do Studio. Você não precisa acessar o console de SageMaker IA.
+ Criação automática de todos as aplicações configurados quando você se integra a um domínio. Para obter informações sobre a integração em um domínio, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
+ Uma JumpStart experiência aprimorada na qual você pode descobrir, importar, registrar, ajustar e implantar um modelo básico. Para obter mais informações, consulte [SageMaker JumpStart modelos pré-treinados](studio-jumpstart.md).
**Topics**
+ [Inicie o Amazon SageMaker Studio](studio-updated-launch.md)
+ [Visão geral da interface do usuário do Amazon SageMaker Studio](studio-updated-ui.md)
+ [Montagem automática do Amazon EFS no Studio](studio-updated-automount.md)
+ [Encerramento por inatividade](studio-updated-idle-shutdown.md)
+ [Aplicativos compatíveis com o Amazon SageMaker Studio](studio-updated-apps.md)
+ [Conecte seu IDE remoto a SageMaker espaços com acesso remoto](remote-access.md)
+ [Traga sua própria imagem (BYOI)](studio-updated-byoi.md)
+ [Configurações de ciclo de vida no Amazon Studio SageMaker](studio-lifecycle-configurations.md)
+ [Espaços do Amazon SageMaker Studio](studio-updated-spaces.md)
+ [Propagação de identidade confiável com o Studio](trustedidentitypropagation.md)
+ [Executar tarefas de IU](studio-updated-common.md)
+ [NVMe lojas com Amazon SageMaker Studio](studio-updated-nvme.md)
+ [Suporte ao modo local no Amazon SageMaker Studio](studio-updated-local.md)
+ [Visualizar suas instâncias, aplicações e espaços em execução no Studio](studio-updated-running.md)
+ [Interromper e excluir aplicações e espaços em execução no Studio](studio-updated-running-stop.md)
+ [SageMaker Política de suporte de imagem do Studio](sagemaker-distribution.md)
+ [Preços do Amazon SageMaker Studio](studio-updated-cost.md)
+ [Solução de problemas](studio-updated-troubleshooting.md)
+ [Migração do Amazon SageMaker Studio Classic](studio-updated-migrate.md)
+ [Amazon SageMaker Studio clássico](studio.md)
# Inicie o Amazon SageMaker Studio
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da experiência atualizada do Studio. Para obter informações sobre como usar a aplicação do Studio Classic, consulte [Amazon SageMaker Studio clássico](studio.md).
Os tópicos desta página demonstram como iniciar o Amazon SageMaker Studio a partir do console Amazon SageMaker AI e do AWS Command Line Interface (AWS CLI).
**Topics**
+ [Pré-requisitos](#studio-updated-launch-prereq)
+ [Inicie a partir do console Amazon SageMaker AI](#studio-updated-launch-console)
+ [Inicie usando o AWS CLI](#studio-updated-launch-cli)
## Pré-requisitos
Antes de começar, conclua os seguintes pré-requisitos:
+ Integre-se a um domínio de SageMaker IA com acesso ao Studio. Caso não tenha permissões para definir o Studio como a experiência padrão do seu domínio, entre em contato com seu administrador. Para obter mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
+ Atualize o AWS CLI seguindo as etapas em [Instalando a AWS CLI versão atual](https://docs.aws.amazon.com//cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Em sua máquina local, execute `aws configure` e forneça suas credenciais da AWS . Para obter informações sobre AWS credenciais, consulte [Entendendo e obtendo suas AWS credenciais](https://docs.aws.amazon.com//general/latest/gr/aws-sec-cred-types.html).
## Inicie a partir do console Amazon SageMaker AI
Conclua o procedimento a seguir para iniciar o Studio a partir do console Amazon SageMaker AI.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha Studio.
1. Na página inicial do Studio, selecione o domínio e o perfil de usuário para iniciar o Studio.
1. Escolha **Abrir Studio**.
1. Para iniciar o Studio, escolha **Executar Studio pessoal**.
## Inicie usando o AWS CLI
Esta seção demonstra como iniciar o Studio usando o. AWS CLI O procedimento para acessar o Studio usando o AWS CLI depende se o domínio usa autenticação ou Centro de Identidade do AWS IAM autenticação AWS Identity and Access Management (IAM). Você pode usar o AWS CLI para iniciar o Studio criando um URL de domínio pré-assinado quando seu domínio usa a autenticação do IAM. Para informações sobre como iniciar o Studio com a autenticação do IAM Identity Center, consulte [Use a configuração personalizada para Amazon SageMaker AI](onboard-custom.md).
### Inicie se o Studio for a experiência padrão
O seguinte trecho de código demonstra como executar o Studio a partir do uso AWS CLI de um URL de domínio predefinido se o Studio for a experiência padrão: Para obter mais informações, consulte [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 \
--user-profile-name user-profile-name \
--session-expiration-duration-in-seconds 43200
```
### Inicie se o Amazon SageMaker Studio Classic for sua experiência padrão
O trecho de código a seguir demonstra como executar o Studio AWS CLI usando um URL de domínio pré-assinado se o Studio Classic for a experiência padrão. Para obter mais informações, consulte [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 \
--user-profile-name user-profile-name \
--session-expiration-duration-in-seconds 43200 \
--landing-uri studio::
```
# Visão geral da interface do usuário do Amazon SageMaker Studio
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da experiência atualizada do Studio. Para obter informações sobre como usar a aplicação do Studio Classic, consulte [Amazon SageMaker Studio clássico](studio.md).
A interface de usuário do Amazon SageMaker Studio é dividida em três partes distintas. Esta página fornece informações sobre as peças distintas e seus componentes.
+ **Barra de navegação**: esta seção da interface do usuário inclui o URL, a navegação estrutural, as notificações e as opções do usuário.
+ **Painel de navegação**: esta seção da interface do usuário inclui uma lista das aplicações compatíveis com o Studio e opções para os principais fluxos de trabalho no Studio.
+ **Painel de conteúdo:** a área de trabalho principal que exibe a página atual da interface do usuário do Studio que você abriu.
![\[Página inicial do Amazon SageMaker Studio com painel de navegação e painel de conteúdo (área de trabalho principal).\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/monarch/studio-updated-ui.png)
**Topics**
+ [Barra de navegação do Amazon SageMaker Studio](#studio-updated-ui-top)
+ [Painel de navegação do Amazon SageMaker Studio](#studio-updated-ui-left)
+ [Painel de conteúdo do Studio](#studio-updated-ui-working)
## Barra de navegação do Amazon SageMaker Studio
A barra de navegação da interface do usuário do Studio inclui o URL, a navegação estrutural, as notificações e as opções do usuário.
**Estrutura do URL**
O URL do Studio muda à medida que você navega pela interface do usuário. Quando você navega para uma página diferente na interface do usuário, o URL muda para refletir essa página. Com o URL atualizado, você abre qualquer página diretamente na interface do usuário do Studio, sem primeiro navegar até a página de destino.
**Navegação estrutural**
Conforme você navega pela interface do usuário do Studio, a navegação estrutural acompanha as páginas principais da página atual. Ao escolher uma dessas navegações estruturais, você pode navegar até as páginas principais na interface do usuário.
**Notificações**
A seção de notificações da interface do usuário fornece informações sobre mudanças importantes no Studio, atualizações nas aplicações e problemas a serem resolvidos.
**Opções do usuário**
Escolha o ícone de opções do usuário (![\[User icon with a circular avatar placeholder and a downward-pointing arrow.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/monarch/user-settings.png)) para obter informações sobre o perfil do usuário que está usando o Studio no momento e dê a opção de sair do Studio.
## Painel de navegação do Amazon SageMaker Studio
**Painel de navegação**
O painel de navegação da interface do usuário inclui uma lista das aplicações compatíveis com o Studio. Ele também fornece opções para os principais fluxos de trabalho no Studio.
Essa seção da interface do usuário pode ser usada em um estado expandido ou reduzido. Para alterar se a seção está expandida ou contraída, selecione o ícone **Recolher** (![\[Square icon with "ID" text representing an identity or identification concept.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/monarch/collapse-ui.png)).
**Aplicativos**
A seção Aplicações lista as aplicações que estão disponíveis no Studio. Se você escolher um dos tipos de aplicação, será direcionado para a página inicial desse aplicação.
**Fluxos de trabalho**
A lista de fluxos de trabalho inclui todas as ações disponíveis que você pode realizar no Studio. Escolha uma das opções para navegar até a página inicial desse fluxo de trabalho. Se houver vários fluxos de trabalho disponíveis para essa opção, a escolha da opção abrirá um menu suspenso onde você poderá selecionar a página inicial desejada.
A lista a seguir descreve as opções e fornece um link para obter mais informações.
+ **Página inicial**: a página de destino principal com uma visão geral, introdução e novidades.
+ **Instâncias em execução**: todas as instâncias que estão sendo executadas atualmente no Studio. Para obter mais informações, consulte [Visualizar suas instâncias, aplicações e espaços em execução no Studio](studio-updated-running.md).
+ **Dados**: opções de preparação de dados nas quais você pode colaborar para armazenar, explorar, preparar, transformar e compartilhar seus dados.
+ Para obter mais informações sobre o Amazon SageMaker Data Wrangler, consulte. [preparação de dados](canvas-data-prep.md)
+ Para obter mais informações sobre a Amazon SageMaker Feature Store, consulte[Criar, armazenar e compartilhar atributos com o arquivo de atributos](feature-store.md).
+ Para obter mais informações sobre clusters do Amazon EMR, consulte [Preparação de dados usando o Amazon EMR](studio-notebooks-emr-cluster.md).
+ **Auto ML**: crie, treine, ajuste e implante modelos de machine learning (ML). Para obter mais informações, consulte [Amazon SageMaker Canvas](canvas.md).
+ **Experimentos**: crie, gerencie, analise e compare seus experimentos de machine learning usando Amazon SageMaker Experiments. Para obter mais informações, consulte [SageMaker Experiências da Amazon no Studio Classic](experiments.md).
+ **Trabalhos**: veja os trabalhos criados no Studio.
+ Para obter mais informações sobre treinamento, consulte [Treinamento de modelos](train-model.md).
+ Para obter informações sobre a avaliação de modelo, consulte [Entenda as opções para avaliar grandes modelos de linguagem com SageMaker o Clarify](clarify-foundation-model-evaluate.md).
+ **Pipelines** — automatize seu fluxo de trabalho de ML com o Amazon SageMaker Pipelines, que fornece recursos para ajudá-lo a criar, rastrear e gerenciar seus recursos de pipeline. Para obter mais informações, consulte [Pipelines](pipelines.md).
+ **Modelos**: organize seus modelos em grupos e coleções no registro de modelos, onde você pode gerenciar versões de modelos, visualizar metadados e implantar modelos na produção. Para obter mais informações, consulte [Implantação do registro do modelo com o Model Registry](model-registry.md).
+ **JumpStart**— SageMaker JumpStart A Amazon fornece modelos pré-treinados de código aberto para uma ampla variedade de tipos de problemas para ajudar você a começar a usar o aprendizado de máquina. Para obter mais informações, consulte[SageMaker JumpStart modelos pré-treinados](studio-jumpstart.md).
+ **Implantações**: implante seus modelos de machine learning (ML) para inferência.
+ Para obter mais informações sobre o Amazon SageMaker Inference Recommender, consulte. [Recomendador de SageMaker inferência da Amazon](inference-recommender.md)
+ Para obter mais informações sobre os endpoints, consulte [Implantar modelos para inferência](deploy-model.md).
## Painel de conteúdo do Studio
A área de trabalho principal também é chamada de painel de conteúdo. Ela exibe a página atual da interface do usuário do Studio que você abriu.
**Página inicial do Studio**
A página inicial do Studio é a página de destino principal na área de trabalho principal. A página inicial inclui duas guias distintas. Há uma guia **Visão geral** e uma guia **Introdução**.
**Visão geral**
A guia **Visão geral** inclui opções para iniciar espaços para tipos de aplicações amplamente conhecidas, conceitos básicos de soluções pré-criadas e automatizadas para fluxos de trabalho de ML e links para tarefas comuns na interface do usuário do Studio.
**Conceitos básicos**
A guia **Introdução** inclui informações, orientações e recursos sobre como começar a usar o Studio. Isso inclui uma visita guiada à interface do usuário do Studio, um link para a documentação sobre o Studio e uma seleção de dicas rápidas.
# Montagem automática do Amazon EFS no Studio
O Amazon SageMaker AI suporta a montagem automática de uma pasta em um volume do Amazon EFS para cada usuário em um domínio. Ao usar esta pasta, os usuários podem compartilhar dados entre seus próprios espaços privados. No entanto, os usuários não podem compartilhar dados com outros usuários no domínio. Os usuários só têm acesso à sua própria pasta.
A pasta do usuário pode ser acessada por meio de uma pasta chamada `user-default-efs`. Essa pasta está presente no diretório `$HOME` da aplicação do Studio.
Para informações sobre como remover a montagem automática do Amazon EFS, consulte [Desativar a montagem automática do Amazon EFS](studio-updated-automount-optout.md).
A montagem automática do Amazon EFS também facilita a migração de dados do Studio Classic para o Studio. Para obter mais informações, consulte [(Opcional) Migrar dados do Studio Classic para o Studio](studio-updated-migrate-data.md).
**Informações do ponto de acesso**
Quando a montagem automática é ativada, a SageMaker IA usa um ponto de acesso do Amazon EFS para facilitar o acesso aos dados no volume do Amazon EFS. Para obter mais informações sobre pontos de acesso, consulte [Trabalhando com pontos de acesso do Amazon EFS](https://docs.aws.amazon.com/efs/latest/ug/efs-access-points.html) A SageMaker IA cria um ponto de acesso exclusivo para cada perfil de usuário no domínio durante a criação do perfil do usuário ou durante a criação do aplicativo para um perfil de usuário existente. O valor de usuário POSIX do ponto de acesso corresponde ao `HomeEfsFileSystemUid` valor do perfil de usuário para o qual a SageMaker IA cria o ponto de acesso. Para obter o valor do usuário, consulte [DescribeUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeUserProfile.html#sagemaker-DescribeUserProfile-response-HomeEfsFileSystemUid). O caminho do diretório raiz também é definido com o mesmo valor que o valor do usuário POSIX.
SageMaker A IA define as permissões do novo diretório com os seguintes valores:
+ ID de usuário do proprietário: `POSIX user value`
+ ID do grupo proprietário: `0`
+ Permissões `700`
O ponto de acesso é necessário para acessar o volume do Amazon EFS. Como resultado, você não pode excluir ou atualizar o ponto de acesso sem perder o acesso ao volume do Amazon EFS.
**Resolução de erros**
Se a SageMaker IA encontrar um problema ao montar automaticamente a pasta de usuário do Amazon EFS durante a criação do aplicativo, o aplicativo ainda será criado. No entanto, nesse caso, a SageMaker IA cria um arquivo chamado `error.txt` em vez de montar a pasta Amazon EFS. Esse arquivo descreve o erro encontrado, bem como as etapas para resolvê-lo. SageMaker O AI cria o `error.txt` arquivo na `user-default-efs` pasta localizada no `$HOME` diretório do aplicativo.
# Desativar a montagem automática do Amazon EFS
Você pode desativar a montagem automática de pastas de usuário do Amazon EFS pela Amazon SageMaker AI durante a criação do domínio e do perfil do usuário ou para um domínio ou perfil de usuário existente.
## Optar por não participar durante a criação do domínio
Você pode optar por não usar a montagem automática do Amazon EFS ao criar um domínio usando o console ou a AWS Command Line Interface.
### Console
Conclua as etapas a seguir para desativar a montagem automática do Amazon EFS ao criar um domínio a partir do console.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Conclua as etapas [Use a configuração personalizada para Amazon SageMaker AI](onboard-custom.md) com a seguinte modificação para configurar um domínio:
+ Na etapa **Configurar armazenamento**, desative **Montar automaticamente o armazenamento e os dados do EFS**.
### AWS CLI
Use o comando a seguir para desativar a montagem automática do Amazon EFS durante a criação do domínio usando a AWS CLI. Para obter mais informações sobre como criar um domínio usando o AWS CLI, consulte[Use a configuração personalizada para Amazon SageMaker AI](onboard-custom.md).
```
aws --region region sagemaker create-domain \
--domain-name "my-domain-$(date +%s)" \
--vpc-id default-vpc-id \
--subnet-ids subnet-ids \
--auth-mode IAM \
--default-user-settings "ExecutionRole=execution-role-arn,AutoMountHomeEFS=Disabled" \
--default-space-settings "ExecutionRole=execution-role-arn"
```
## Optar por não usar um domínio existente
Você pode optar por não usar a montagem automática do Amazon EFS para um domínio existente usando o console ou AWS CLI.
### Console
Conclua as etapas a seguir para desativar a montagem automática do Amazon EFS ao atualizar um domínio a partir do console.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Na navegação à esquerda em **Configurações de administração**, escolha **Domínios**.
1. Na página **Domínios**, selecione o domínio para o qual você deseja desativar a montagem automática do Amazon EFS.
1. Na página de **detalhes do domínio**, selecione a guia **Configurações do domínio**.
1. Navegue até a seção **Configuração do sistema de arquivo**.
1. Selecione **Editar**.
1. Na página **Editar configurações de armazenamento**, desative **Montar automaticamente o armazenamento e os dados do EFS**.
1. Selecione **Submit (Enviar)**.
### AWS CLI
Use o comando a seguir para desativar a montagem automática do Amazon EFS ao atualizar um domínio existente usando a AWS CLI.
```
aws --region region sagemaker update-domain \
--domain-id domain-id \
--default-user-settings "AutoMountHomeEFS=Disabled"
```
## Optar por não participar durante a criação do perfil do usuário
Você pode optar por não usar a montagem automática do Amazon EFS ao criar um perfil de usuário usando o console ou a AWS CLI.
### Console
Conclua as etapas a seguir para desativar a montagem automática do Amazon EFS ao criar um perfil de usuário a partir do console.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Conclua as etapas [Adicionar perfis de usuário](domain-user-profile-add.md) com a seguinte modificação para criar um perfil de usuário:
+ Na etapa **Dados e armazenamento**, desative **Herdar configurações do domínio**. Isso permite que o usuário tenha um valor diferente dos padrões definidos para o domínio.
+ Desative a **Montagem automática do armazenamento e dos dados do EFS**.
### AWS CLI
Use o comando a seguir para desativar a montagem automática do Amazon EFS durante a criação do perfil de usuário usando a AWS CLI. Para obter mais informações sobre como criar um perfil de usuário usando o AWS CLI, consulte[Adicionar perfis de usuário](domain-user-profile-add.md).
```
aws --region region sagemaker create-user-profile \
--domain-id domain-id \
--user-profile-name "user-profile-$(date +%s)" \
--user-settings "ExecutionRole=arn:aws:iam::account-id:role/execution-role-name,AutoMountHomeEFS=Enabled/Disabled/DefaultAsDomain"
```
## Desativar um perfil de usuário existente
Você pode optar por não usar a montagem automática do Amazon EFS para um perfil de usuário existente usando o console ou a AWS CLI.
### Console
Conclua as etapas a seguir para desativar a montagem automática do Amazon EFS ao atualizar um perfil de usuário a partir do console.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Na navegação à esquerda em **Configurações de administração**, escolha **Domínios**.
1. Na página **Domínios**, selecione o domínio que contém o perfil de usuário para o qual você deseja desativar a montagem automática do Amazon EFS.
1. Na página **Detalhes de Domínios**, escolha a aba **Perfis de usuário**.
1. Selecione o perfil do usuário a ser atualizado.
1. Na guia **Detalhes do usuário**, navegue até a seção **AutoMountHomeEFS**.
1. Selecione **Editar**.
1. Na página **Editar configurações de armazenamento**, desative **Herdar configurações do domínio**. Isso permite que o usuário tenha um valor diferente dos padrões definidos para o domínio.
1. Desative a **Montagem automática do armazenamento e dos dados do EFS**.
1. Selecione **Submit (Enviar)**.
### AWS CLI
Use o comando a seguir para desativar a montagem automática do Amazon EFS ao atualizar um perfil de usuário existente usando a AWS CLI.
```
aws --region region sagemaker update-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings "AutoMountHomeEFS=DefaultAsDomain"
```
# Encerramento por inatividade
A Amazon SageMaker AI oferece suporte ao encerramento de recursos ociosos para gerenciar custos e evitar custos excessivos devido ao custo acumulado por recursos ociosos e faturáveis. Isso é feito detectando o estado ocioso de uma aplicação e realizando o encerramento da aplicação quando os critérios de inatividade são atendidos.
SageMaker A IA suporta o desligamento inativo para os seguintes aplicativos. O desligamento inativo deve ser definido para cada tipo de aplicação de forma independente.
+ JupyterLab
+ Editor de Código, baseado em Code-OSS, Visual Studio Code - código aberto
O desligamento ocioso pode ser definido no nível de domínio ou de perfil de usuário. Quando o encerramento por inatividade é definido no nível do domínio, as configurações de encerramento por inatividade se aplicam a todas as aplicações criadas no domínio. Quando definidas no nível do perfil do usuário, as configurações de encerramento por inatividade se aplicam somente aos usuários específicos para os quais estão definidas. As configurações do perfil do usuário substituem as configurações de domínio.
**nota**
O desligamento inativo requer o uso da `SageMaker-distribution` imagem (SMD) com a versão 2.0 ou mais recente. Os domínios que usam uma versão mais antiga do SMD não podem usar o atributo. Em vez disso, esses usuários devem usar uma LCC para gerenciar o desligamento automático.
## Definição de ociosidade
As configurações de desligamento inativo só se aplicam quando a aplicação fica ocioso sem nenhum trabalho em execução. SageMaker A IA não inicia o tempo de desligamento ocioso até que a instância fique ociosa. A definição de ocioso difere dependendo se o tipo de aplicativo é JupyterLab ou Editor de código.
Para JupyterLab aplicativos, a instância é considerada ociosa quando as seguintes condições são atendidas:
+ Nenhuma sessão ativa do kernel Jupyter
+ Nenhuma sessão ativa do terminal Jupyter
Para aplicações de editor de código, a instância é considerada ociosa quando as seguintes condições são atendidas:
+ Nenhuma alteração no arquivo de texto ou no caderno
+ Nenhum arquivo sendo visualizado
+ Sem interação com o terminal
# Configurar o encerramento por inatividade
As seções a seguir mostram como configurar o encerramento por inatividade a partir do console ou usando a AWS CLI. O desligamento ocioso pode ser definido no nível de domínio ou de perfil de usuário.
## Pré-requisitos
Para usar o encerramento por inatividade com sua aplicação, conclua os pré-requisitos a seguir.
+ Certifique-se de que seu aplicativo esteja usando a versão 2.0 de SageMaker distribuição (SMD). Você pode selecionar essa versão durante a criação da aplicação ou atualizar a versão da imagem da aplicação após a criação. Para obter mais informações, consulte [Atualizar a imagem SageMaker de distribuição](studio-updated-jl-update-distribution-image.md).
+ Para aplicativos criados com imagens personalizadas, o desligamento inativo é suportado se sua imagem personalizada for criada com SageMaker Distribuição (SMD) versão 2.0 ou posterior como imagem base. Se a imagem personalizada for criada com uma imagem base diferente, você deverá instalar a extensão [jupyter-activity-monitor-extension >= 0.3.1](https://anaconda.org/conda-forge/jupyter-activity-monitor-extension) na imagem e anexar a imagem ao seu domínio Amazon SageMaker AI para JupyterLab aplicativos. Para ter mais informações sobre imagens personalizadas, consulte [Traga sua própria imagem (BYOI)](studio-updated-byoi.md).
## No console
As seções a seguir mostram como ativar o encerramento por inatividade no console.
### Adicionar ao criar um novo domínio
1. Crie um domínio seguindo as etapas em [Use a configuração personalizada para Amazon SageMaker AI](onboard-custom.md).
1. Ao definir as configurações do aplicativo no domínio, navegue até o Editor de código ou a JupyterLab seção.
1. Selecione **Ativar encerramento por inatividade**.
1. Insira um tempo de encerramento por inatividade padrão em minutos. Esse valor é assumido como padrão `10,080` se nenhum valor for inserido.
1. (Opcional) Selecione **Permitir que os usuários definam um tempo de encerramento por inatividade personalizado para permitir que os usuários modifiquem o tempo** de encerramento por inatividade.
+ Insira um valor máximo para o qual os usuários possam definir o tempo de encerramento por inatividade padrão. Você deve inserir um valor máximo. O valor mínimo é definido pela Amazon SageMaker AI e deve ser`60`.
### Adicionar a um domínio existente
**nota**
Se o encerramento por inatividade for definido quando as aplicações estiverem em execução, elas deverão ser reiniciadas para que as configurações de encerramento por inatividade entrem em vigor.
1. Navegue até o domínio.
1. Escolha a guia **Configurações da aplicação**.
1. Na guia **Configurações do aplicativo**, navegue até o Editor de código ou a JupyterLab seção.
1. Selecione **Editar**.
1. Selecione **Ativar encerramento por inatividade**.
1. Insira um tempo de encerramento por inatividade padrão em minutos. Esse valor é assumido como padrão `10,080` se nenhum valor for inserido.
1. (Opcional) Selecione **Permitir que os usuários definam um tempo de encerramento por inatividade personalizado para permitir que os usuários modifiquem o tempo** de encerramento por inatividade.
+ Insira um valor máximo para o qual os usuários possam definir o tempo de encerramento por inatividade padrão. Você deve inserir um valor máximo. O valor mínimo é definido pela Amazon SageMaker AI e deve ser`60`.
1. Selecione **Submit (Enviar)**.
### Adicionar ao criar um novo perfil de usuário
1. Adicione um perfil de usuário seguindo as etapas em [Adicionar perfis de usuário](domain-user-profile-add.md)
1. Ao definir as configurações do aplicativo para o perfil do usuário, navegue até o Editor de código ou a JupyterLab seção.
1. Selecione **Ativar encerramento por inatividade**.
1. Insira um tempo de encerramento por inatividade padrão em minutos. Esse valor é assumido como padrão `10,080` se nenhum valor for inserido.
1. (Opcional) Selecione **Permitir que os usuários definam um tempo de encerramento por inatividade personalizado para permitir que os usuários modifiquem o tempo** de encerramento por inatividade.
+ Insira um valor máximo para o qual os usuários possam definir o tempo de encerramento por inatividade padrão. Você deve inserir um valor máximo. O valor mínimo é definido pela Amazon SageMaker AI e deve ser`60`.
1. Escolha “Salvar alterações”.
### Adicionar a um perfil de usuário existente
Nota: se o encerramento por inatividade for definido quando as aplicações estiverem em execução, eles deverão ser reiniciados para que as configurações de encerramento por inatividade entrem em vigor.
1. Navegue até o perfil do usuário.
1. Escolha a guia **Configurações da aplicação**.
1. Na guia ****Configurações do aplicativo****, navegue até o Editor de código ou a JupyterLab seção.
1. Selecione **Editar**.
1. As configurações de desligamento inativo mostrarão as configurações do domínio por padrão, se configuradas para o domínio.
1. Selecione **Ativar encerramento por inatividade**.
1. Insira um tempo de encerramento por inatividade padrão em minutos. Esse valor é assumido como padrão `10,080` se nenhum valor for inserido.
1. (Opcional) Selecione **Permitir que os usuários definam um tempo de encerramento por inatividade personalizado para permitir que os usuários modifiquem o tempo** de encerramento por inatividade.
+ Insira um valor máximo para o qual os usuários possam definir o tempo de encerramento por inatividade padrão. Você deve inserir um valor máximo. O valor mínimo é definido pela Amazon SageMaker AI e deve ser`60`.
1. Escolha **Salvar alterações**.
## Do AWS CLI
As seções a seguir mostram como ativar o encerramento por inatividade usando a AWS CLI.
**nota**
Para impor um valor de tempo limite específico a partir do AWS CLI, você deve definir `IdleTimeoutInMinutes``MaxIdleTimeoutInMinutes`, e `MinIdleTimeoutInMinutes` com o mesmo valor.
### Domínio
O comando a seguir mostra como ativar o encerramento por inatividade ao atualizar um domínio existente. Para adicionar o encerramento por inatividade para um novo domínio, use o comando `create-domain` em vez disso.
**nota**
Se o encerramento por inatividade for definido quando as aplicações estiverem em execução, elas deverão ser reiniciadas para que as configurações de encerramento por inatividade entrem em vigor.
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings file://default-user-settings.json
## default-user-settings.json example for enforcing the default timeout
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120
}
}
}
## default-user-settings.json example for letting users customize the default timeout, between 2-5 hours
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 300
}
}
}
```
### Perfil de usuário
O comando a seguir mostra como ativar o encerramento por inatividade ao atualizar um perfil de usuário existente. Para adicionar o encerramento por inatividade para um novo perfil de usuário, use o comando `create-user-profile` em vez disso.
**nota**
Se o encerramento por inatividade for definido quando as aplicações estiverem em execução, elas deverão ser reiniciadas para que as configurações de encerramento por inatividade entrem em vigor.
```
aws sagemaker update-user-profile --region region --domain-id domain-id \
--user-profile-name user-profile-name --user-settings file://user-settings.json
## user-settings.json example for enforcing the default timeout
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120
}
}
}
## user-settings.json example for letting users customize the default timeout, between 2-5 hours
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 300
}
}
}
```
# Atualizar as configurações padrão de encerramento por inatividade
Você pode atualizar as configurações padrão de encerramento por inatividade no nível do domínio ou do perfil do usuário.
**nota**
Se o encerramento por inatividade for definido quando as aplicações estiverem em execução, elas deverão ser reiniciadas para que as configurações de encerramento por inatividade entrem em vigor.
## Atualizar configurações de domínio
1. Navegue até o domínio.
1. Escolha a guia **Configurações da aplicação**.
1. Na guia **Configurações do aplicativo**, navegue até o Editor de código ou a JupyterLab seção.
1. Na seção da aplicação para a qual você deseja modificar o limite de tempo de encerramento por inatividade, selecione **Editar**.
1. Atualize as configurações de encerramento por inatividade do domínio.
1. Escolha **Salvar alterações**.
## Atualizar as configurações do perfil do usuário
1. Navegue até o domínio.
1. Escolha a guia **Perfis de usuário**.
1. Na guia **Perfis de usuário**, selecione o perfil de usuário a ser editado.
1. Na página **Perfil do usuário**, escolha a guia **Aplicações**.
1. Na guia **Aplicativos**, navegue até o Editor de código ou a JupyterLab seção.
1. Na seção da aplicação para a qual você deseja modificar o limite de tempo de encerramento por inatividade, selecione **Editar**.
1. Atualize as configurações de encerramento por inatividade do perfil do usuário.
1. Escolha **Salvar alterações**.
# Modifique seu limite de tempo de encerramento por inatividade
Os usuários poderão modificar o limite de tempo de encerramento por inatividade se o administrador conceder acesso ao adicionar compatibilidade com encerramento por inatividade. Se for adicionada compatibilidade com encerramento por inatividade, pode haver um limite aplicado ao tempo máximo de desligamento em marcha lenta. Um usuário pode definir o valor em qualquer lugar entre o limite inferior e o limite superior.
1. Inicie o Amazon SageMaker Studio seguindo as etapas em[Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Na seção **Aplicações**, selecione o tipo de aplicação para a qual atualizar o tempo de encerramento por inatividade.
1. Selecione o espaço a ser atualizado.
1. Atualize o **desligamento inativo (minutos)** com o valor desejado.
**nota**
Se o encerramento por inatividade for definido quando as aplicações estiverem em execução, elas deverão ser reiniciadas para que as configurações de encerramento por inatividade entrem em vigor.
# Aplicativos compatíveis com o Amazon SageMaker Studio
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da experiência atualizada do Studio. Para obter informações sobre como usar a aplicação do Studio Classic, consulte [Amazon SageMaker Studio clássico](studio.md).
O Amazon SageMaker Studio oferece suporte aos seguintes aplicativos:
+ **Editor de código, baseado no Code-OSS, o Visual Studio Code - Open Source** - o Editor de Código oferece um ambiente de desenvolvimento integrado (IDE) leve e poderoso com atalhos familiares, terminal e recursos avançados de depuração e ferramentas de refatoração. É uma aplicação totalmente gerenciado e baseado em navegador no Studio. Para obter mais informações, consulte [Editor de código no Amazon SageMaker Studio](code-editor.md).
+ **Amazon SageMaker Studio Classic** — O Amazon SageMaker Studio Classic é um IDE baseado na web para aprendizado de máquina. Com o Studio Classic, você pode criar, treinar, depurar, implementar e monitorar seus modelos de machine learning. Para obter mais informações, consulte [Amazon SageMaker Studio clássico](studio.md).
+ **JupyterLab**— JupyterLab oferece um conjunto de recursos que ampliam a oferta de notebooks totalmente gerenciados. Inclui kernels que começam em segundos, um runtime pré-configurado com frameworks de ciência de dados e machine learning conhecidos e armazenamento em blocos de alto desempenho. Para obter mais informações, consulte [SageMaker JupyterLab](studio-updated-jl.md).
+ **Amazon SageMaker Canvas** — Com o SageMaker Canvas, você pode usar o aprendizado de máquina para gerar previsões sem escrever código. Com o Canvas, você pode conversar com modelos populares de linguagem grande (LLMs), acessar ready-to-use modelos ou criar um modelo personalizado treinado com base em seus dados. Para obter mais informações, consulte [Amazon SageMaker Canvas](canvas.md).
+ **RStudio**— RStudio é um ambiente de desenvolvimento integrado para R. Inclui um console e um editor de realce de sintaxe que suporta a execução direta do código. Também inclui ferramentas para plotagem, histórico, depuração e gerenciamento do espaço de trabalho. Para obter mais informações, consulte [RStudio na Amazon SageMaker AI](rstudio.md).
# Conecte seu IDE remoto a SageMaker espaços com acesso remoto
Você pode se conectar remotamente do seu IDE remoto aos espaços do Amazon SageMaker Studio. Você pode usar sua configuração personalizada de IDE local, incluindo ferramentas de desenvolvimento assistidas por IA e extensões personalizadas, com os recursos computacionais escaláveis da Amazon AI. SageMaker Este guia apresenta conceitos e instruções de configuração para administradores e usuários.
Uma conexão IDE remota estabelece uma conexão segura entre o IDE local e SageMaker os espaços. Essa conexão permite que você:
+ **Acesse recursos de computação de SageMaker IA** — execute código em uma infraestrutura de SageMaker IA escalável a partir do seu ambiente local
+ **Mantenha os limites de segurança** — trabalhe dentro da mesma estrutura de segurança da SageMaker IA
+ **Mantenha sua experiência familiar de IDE** — Use extensões, temas e configurações locais compatíveis que ofereçam suporte ao desenvolvimento remoto
**nota**
Nem todas as extensões do IDE são compatíveis com o desenvolvimento remoto. As extensões que exigem componentes de GUI locais têm dependências de arquitetura ou precisam de interações específicas entre cliente e servidor talvez não funcionem adequadamente no ambiente remoto. Verifique se as extensões necessárias oferecem suporte ao desenvolvimento remoto antes de usar.
**Topics**
+ [Principais conceitos](#remote-access-key-concepts)
+ [Métodos de conexão](#remote-access-connection-methods)
+ [Suportado IDEs](#remote-access-supported-ides)
+ [Requisitos da versão do IDE](#remote-access-ide-version-requirements)
+ [Requisitos de sistema operacional](#remote-access-os-requirements)
+ [Pré-requisitos da máquina local](#remote-access-local-prerequisites)
+ [Requisitos de imagens](#remote-access-image-requirements)
+ [Requisitos de instância](#remote-access-instance-requirements)
+ [Configurar o acesso remoto](remote-access-remote-setup.md)
+ [Configurar o IDE remoto](remote-access-local-ide-setup.md)
+ [AWS Regiões suportadas](remote-access-supported-regions.md)
## Principais conceitos
+ **Conexão remota** — Um túnel seguro entre seu IDE remoto e um SageMaker espaço. Essa conexão permite o desenvolvimento interativo e a execução de código usando recursos computacionais de SageMaker IA.
+ [https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-spaces.html](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-spaces.html) — Um ambiente dedicado dentro do Amazon SageMaker Studio onde você pode gerenciar seu armazenamento e recursos para seus aplicativos Studio.
+ **Link** direto — Um botão (URL direto) da SageMaker interface do usuário que inicia uma conexão remota com seu IDE local.
## Métodos de conexão
Há três maneiras principais de conectar seu IDE remoto a SageMaker espaços:
+ **Acesso ao link** direto — Você pode se conectar diretamente a um espaço específico usando o botão **Abrir espaço com** disponível na SageMaker IA. Isso usa padrões de URL para estabelecer uma conexão remota e abrir seu SageMaker espaço no IDE remoto.
+ [https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/welcome.html](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/welcome.html): você pode se autenticar com o AWS Toolkit for Visual Studio Code. Isso permite que você se conecte a espaços e abra uma janela conectada remotamente a partir do seu IDE remoto.
+ **Conexão de terminal SSH**: você pode se conectar por meio da linha de comandos usando a configuração SSH.
## Suportado IDEs
A conexão remota com espaços do Studio permite usar:
+ [Visual Studio Code](https://code.visualstudio.com/)
+ [Kiro](https://kiro.dev/)
+ [Cursor](https://cursor.com/home)
## Requisitos da versão do IDE
A tabela a seguir lista os requisitos mínimos de versão para cada IDE remoto compatível.
| IDE | Versão mínima |
| --- | --- |
| Visual Studio Code | [v1.90 ou superior](https://code.visualstudio.com/updates/v1_90). Recomendamos usar a [versão estável mais recente](https://code.visualstudio.com/updates). |
| Kiro | v0.10.78 ou superior |
| Cursor | v2.6.18 ou superior |
A extensão AWS Toolkit é necessária para conectar seu IDE remoto aos espaços do Studio. Para Kiro e Cursor, é necessária a versão v3.100 ou superior da extensão AWS Toolkit.
## Requisitos de sistema operacional
Você precisa de um dos seguintes sistemas operacionais para se conectar remotamente aos espaços do Studio:
+ macOS 13 e posterior
+ Windows 10
+ [O suporte ao Windows 10 termina em 14 de outubro de 2025](https://support.microsoft.com/en-us/windows/windows-10-support-ends-on-october-14-2025-2ca8b313-1946-43d3-b55c-2b95b107f281)
+ Windows 11
+ Linux
+ Para o VS Code, instale o [Microsoft VS Code oficial para Linux](https://code.visualstudio.com/docs/setup/linux), não uma versão de código aberto
## Pré-requisitos da máquina local
Antes de conectar seu IDE remoto aos espaços do Studio, certifique-se de que sua máquina local tenha as dependências e o acesso à rede necessários.
**Importante**
Ambientes com restrições de instalação de software podem impedir que os usuários instalem as dependências necessárias. O pesquisa AWS Toolkit for Visual Studio Code automaticamente essas dependências ao iniciar conexões remotas e solicitará a instalação se alguma estiver faltando. Coordene com seu departamento de TI para garantir que esses componentes estejam disponíveis.
**Dependências locais necessárias**
Sua máquina local deve ter os seguintes componentes instalados:
+ Extensão **[Remote-SSH — Extensão](https://code.visualstudio.com/docs/remote/ssh)** de desenvolvimento remoto para seu IDE (disponível no mercado de extensões para VS Code, Kiro e Cursor)
+ **[Plugin Session Manager](https://docs.aws.amazon.com/systems-manager/latest/userguide/session-manager-working-with-install-plugin.html)** — necessário para o gerenciamento seguro de sessões
+ **Cliente SSH** — Componente padrão na maioria das máquinas (o [OpenSSH é recomendado para Windows](https://learn.microsoft.com/en-us/windows-server/administration/openssh/openssh_install_firstuse))
+ **Comando IDE CLI** — Normalmente incluído na instalação do IDE (por exemplo, para VS Code, `code` para Kiro, `kiro` `cursor` para Cursor)
**Requisitos específicos da plataforma**
+ **Usuários do Windows** — PowerShell 5.1 ou posterior é necessário para conexões de terminal SSH
**Requisitos de conectividade de rede**
Sua máquina local deve ter acesso à rede aos [endpoints do Session Manager](https://docs.aws.amazon.com/general/latest/gr/ssm.html). Por exemplo, no Leste dos EUA (Norte da Virgínia) (us-east-1), eles podem ser:
+ ssm.us-east-1.amazonaws.com
+ ssm.us-east-1.api.aws
+ ssmmessages.us-east-1.amazonaws.com
+ ec2messages.us-east-1.amazonaws.com
## Requisitos de imagens
**SageMaker Imagens de distribuição**
Ao usar o SageMaker Distribution com acesso remoto, use o [SageMaker Distribution](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-distribution.html) versão 2.7 ou posterior.
**Imagens personalizadas**
Ao usar [Traga sua própria imagem (BYOI)](studio-updated-byoi.md) o acesso remoto, certifique-se de seguir as [especificações personalizadas da imagem](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-byoi-specs.html) e garantir que as seguintes dependências estejam instaladas:
+ `curl`ou `wget` — Obrigatório para baixar AWS CLI componentes
+ `unzip`— Necessário para extrair arquivos de AWS CLI instalação
+ `tar`— Necessário para extração de arquivos
+ `gzip`— Necessário para manipulação de arquivos compactados
## Requisitos de instância
+ **Memória**: 8 GB ou mais.
+ **Tipos de instância**: use instâncias com pelo menos 8 GB de memória. Os tipos de instância a seguir *não* são compatíveis devido à falta de memória (menos de 8 GB): `ml.t3.medium`, `ml.c7i.large`, `ml.c6i.large`, `ml.c6id.large` e `ml.c5.large`. Para ver uma lista mais completa dos tipos de instância, consulte a página [Preço sob demanda do Amazon EC2](https://aws.amazon.com/ec2/pricing/on-demand/).
**Topics**
+ [Principais conceitos](#remote-access-key-concepts)
+ [Métodos de conexão](#remote-access-connection-methods)
+ [Suportado IDEs](#remote-access-supported-ides)
+ [Requisitos da versão do IDE](#remote-access-ide-version-requirements)
+ [Requisitos de sistema operacional](#remote-access-os-requirements)
+ [Pré-requisitos da máquina local](#remote-access-local-prerequisites)
+ [Requisitos de imagens](#remote-access-image-requirements)
+ [Requisitos de instância](#remote-access-instance-requirements)
+ [Configurar o acesso remoto](remote-access-remote-setup.md)
+ [Configurar o IDE remoto](remote-access-local-ide-setup.md)
+ [AWS Regiões suportadas](remote-access-supported-regions.md)
# Configurar o acesso remoto
Antes que os usuários possam conectar seu IDE remoto aos espaços do Studio, o administrador deve configurar as permissões. Esta seção fornece instruções para administradores sobre como configurar seu domínio Amazon SageMaker AI com acesso remoto.
Métodos de conexão diferentes exigem permissões diferentes do IAM. Configure as permissões apropriadas com base em como os usuários se conectarão. Use o fluxo de trabalho a seguir com as permissões alinhadas ao método de conexão.
**Importante**
No momento, as conexões remotas do IDE são autenticadas usando credenciais do IAM, não do Centro de Identidade do IAM. Isso se aplica a domínios que usam o [método de autenticação](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-custom.html#onboard-custom-authentication-details) do Centro de Identidade do IAM para que seus usuários acessem o domínio. Se você optar por não usar a autenticação do IAM para conexões remotas, desabilite esse recurso usando a chave condicional `RemoteAccess` em suas políticas do IAM. Para obter mais informações, consulte [Imposição do acesso remoto](remote-access-remote-setup-abac.md#remote-access-remote-setup-abac-remote-access-enforcement). Ao usar as credenciais do IAM, as conexões remotas do IDE podem manter sessões ativas mesmo depois de você sair da sessão do IAM Identity Center. Às vezes, essas conexões remotas do IDE podem persistir por até 12 horas. Para garantir a segurança do seu ambiente, os administradores devem revisar as configurações de duração da sessão sempre que possível e ter cuidado ao usar estações de trabalho compartilhadas ou redes públicas.
1. Escolha uma das permissões de método de conexão a seguir que se alinhe aos [Métodos de conexão](remote-access.md#remote-access-connection-methods) de seus usuários.
1. [Crie uma política personalizada do IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html) com base na permissão do método de conexão.
**Topics**
+ [Etapa 1: configurar a segurança e permissões](#remote-access-remote-setup-permissions)
+ [Etapa 2: habilitar o acesso remoto ao seu espaço](#remote-access-remote-setup-enable)
+ [Controle de acesso avançado](remote-access-remote-setup-abac.md)
+ [Configurar o Studio para ser executado com sub-redes sem acesso à internet em uma VPC](remote-access-remote-setup-vpc-subnets-without-internet-access.md)
+ [Configure a filtragem automatizada de espaço do Studio ao usar o Toolkit AWS](remote-access-remote-setup-filter.md)
## Etapa 1: configurar a segurança e permissões
**Topics**
+ [Método 1: permissões de link direto](#remote-access-remote-setup-method-1-deep-link-permissions)
+ [Método 2: permissões do AWS kit de ferramentas](#remote-access-remote-setup-method-2-aws-toolkit-permissions)
+ [Método 3: permissões do terminal SSH](#remote-access-remote-setup-method-3-ssh-terminal-permissions)
**Importante**
Usar permissões amplas para`sagemaker:StartSession`, especialmente com um recurso curinga, `*` cria o risco de que qualquer usuário com essa permissão possa iniciar uma sessão em qualquer aplicativo do SageMaker Space na conta. Isso pode causar o impacto de cientistas de dados acessarem involuntariamente os Spaces de outros usuários SageMaker . Para ambientes de produção, você deve limitar essas permissões a um espaço específico ARNs para aplicar o princípio do menor privilégio. Veja exemplos [Controle de acesso avançado](remote-access-remote-setup-abac.md) de políticas de permissão mais granulares usando recursos ARNs, tags e restrições baseadas em rede.
### Método 1: permissões de link direto
Para usuários que se conectam por meio de links diretos da SageMaker interface do usuário, use a permissão a seguir e anexe-a à sua função de [execução do espaço de SageMaker IA ou à sua função](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role-space) de [execução de domínio](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role). Se o perfil de execução do espaço não estiver configurado, o perfil de execução do domínio será usada por padrão.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "RestrictStartSessionOnSpacesToUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:StartSession"
],
"Resource": "arn:*:sagemaker:*:*:space/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:ResourceTag/sagemaker:user-profile-arn": "arn:aws:sagemaker:*:*:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
}
}
}
]
}
```
------
### Método 2: permissões do AWS kit de ferramentas
Para usuários que se conectam por meio da AWS Toolkit for Visual Studio Code extensão, anexe a seguinte política a uma das seguintes:
+ Para autenticação do IAM, anexe essa política ao usuário ou perfil do IAM.
+ Para autenticação do IdC, anexe essa política aos [conjuntos de permissões](https://docs.aws.amazon.com/singlesignon/latest/userguide/permissionsetsconcept.html) gerenciados pelo IdC.
Para mostrar somente espaços relevantes para o usuário autenticado, consulte[Visão geral sobre filtragem](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-overview).
**Importante**
A seguir, a política que usa `*` como restrição de recursos só é recomendada para realizar testes rápidos. Para ambientes de produção, você deve limitar essas permissões a um espaço específico ARNs para aplicar o princípio do menor privilégio. Veja exemplos [Controle de acesso avançado](remote-access-remote-setup-abac.md) de políticas de permissão mais granulares usando recursos ARNs, tags e restrições baseadas em rede.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:ListSpaces",
"sagemaker:DescribeSpace",
"sagemaker:ListApps",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:UpdateSpace",
"sagemaker:CreateApp",
"sagemaker:DeleteApp",
"sagemaker:AddTags"
],
"Resource": "*"
},
{
"Sid": "AllowStartSessionOnSpaces",
"Effect": "Allow",
"Action": "sagemaker:StartSession",
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-1",
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-2"
]
}
]
}
```
------
### Método 3: permissões do terminal SSH
Para conexões de terminal SSH, a `StartSession` API é chamada pelo script de comando do proxy SSH abaixo, usando as credenciais locais AWS . Consulte [Configurar o AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html) para obter informações e instruções sobre como configurar as AWS credenciais locais do usuário. Para usar estas permissões:
1. Anexe essa política ao usuário ou perfil do IAM associado às credenciais locais da AWS .
1. Se estiver usando um perfil de credencial nomeado, modifique o comando do proxy na sua configuração de SSH:
```
ProxyCommand '/home/user/sagemaker_connect.sh' '%h' YOUR_CREDENTIAL_PROFILE_NAME
```
**nota**
A política precisa ser anexada à identidade do IAM (usuário/função) usada em sua configuração de AWS credenciais locais, não à função de execução do domínio Amazon SageMaker AI.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowStartSessionOnSpecificSpaces",
"Effect": "Allow",
"Action": "sagemaker:StartSession",
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-1",
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-2"
]
}
]
}
```
------
Após a configuração, os usuários podem executar `ssh my_studio_space_abc` para iniciar o espaço. Para obter mais informações, consulte [Método 3: conectar-se pelo terminal via CLI do SSH](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-3-connect-from-the-terminal-via-ssh-cli).
## Etapa 2: habilitar o acesso remoto ao seu espaço
Depois de configurar as permissões, você deve ativar o **Acesso Remoto** e iniciar seu espaço no Studio antes que o usuário possa se conectar usando o IDE remoto. Essa configuração só precisa ser feita uma vez.
**nota**
Se seus usuários estão se conectando usando[Método 2: permissões do AWS kit de ferramentas](#remote-access-remote-setup-method-2-aws-toolkit-permissions), você não precisa necessariamente dessa etapa. AWS Toolkit for Visual Studio os usuários podem habilitar o acesso remoto a partir do Toolkit.
**Ativar o acesso remoto ao espaço do Studio**
1. [Inicie o Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html#studio-updated-launch-console).
1. Abra a interface de usuário do Studio.
1. Navegue até o seu espaço.
1. Nos detalhes do espaço, ative **Acesso remoto**.
1. Escolha **Executar espaço**.
# Controle de acesso avançado
O Amazon SageMaker AI oferece suporte [ao controle de acesso baseado em atributos (ABAC)](https://docs.aws.amazon.com/IAM/latest/UserGuide/introduction_attribute-based-access-control.html) para obter um controle de acesso refinado para conexões remotas de IDE usando políticas ABAC. Veja a seguir exemplos de políticas ABAC para conexões remotas do IDE.
**Topics**
+ [Imposição do acesso remoto](#remote-access-remote-setup-abac-remote-access-enforcement)
+ [Controle de acesso com base em tags](#remote-access-remote-setup-abac-tag-based-access-control)
## Imposição do acesso remoto
Controle o acesso aos recursos usando a chave de condição `sagemaker:RemoteAccess`. Isso é suportado por `CreateSpace` `UpdateSpace` APIs e. O exemplo a seguir usa `CreateSpace`.
É possível garantir que os usuários não consigam criar espaços com o acesso remoto habilitado. Isso ajuda a manter a segurança, usando configurações de acesso mais restritas por padrão. A seguinte política garante que os usuários possam:
+ Criar espaços do Studio onde o acesso remoto esteja explicitamente desabilitado.
+ Criar espaços do Studio sem especificar nenhuma configuração de acesso remoto.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "DenyCreateSpaceRemoteAccessEnabled",
"Effect": "Deny",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace"
],
"Resource": "arn:aws:sagemaker:*:*:space/*",
"Condition": {
"StringEquals": {
"sagemaker:RemoteAccess": [
"ENABLED"
]
}
}
},
{
"Sid": "AllowCreateSpace",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace"
],
"Resource": "arn:aws:sagemaker:*:*:space/*"
}
]
}
```
------
## Controle de acesso com base em tags
Implemente o controle de acesso [baseado em tags](https://docs.aws.amazon.com/whitepapers/latest/tagging-best-practices/what-are-tags.html) para restringir conexões de acordo com os recursos e as tags de entidade principal.
Você pode garantir que os usuários possam acessar somente os recursos apropriados para as respectivas atribuições de perfil e projeto. Você pode usar a seguinte política para:
+ Permitir que os usuários se conectem somente a espaços que correspondam à equipe, ao ambiente e ao centro de custos designados.
+ Implementar controle de acesso refinado com base na estrutura organizacional.
No exemplo a seguir, o espaço é marcado com o seguinte:
```
{ "Team": "ML", "Environment": "Production", "CostCenter": "12345" }
```
Você pode ter um perfil que contenha a seguinte política para estabelecer correspondência com as tags de recurso e de entidade principal:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "RestrictStartSessionOnTaggedSpacesInDomain",
"Effect": "Allow",
"Action": [
"sagemaker:StartSession"
],
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/*"
],
"Condition": {
"StringEquals": {
"aws:ResourceTag/Team": "${aws:PrincipalTag/Team}",
"aws:ResourceTag/Environment": "${aws:PrincipalTag/Environment}",
"aws:ResourceTag/CostCenter": "${aws:PrincipalTag/CostCenter}",
"aws:ResourceTag/IDC_UserName": "${aws:PrincipalTag/IDC_UserName}"
}
}
}
]
}
```
------
Quando as tags do perfil correspondem à política, o usuário tem permissão para iniciar a sessão e se conectar remotamente ao espaço dele. Para ter mais informações, consulte [Controlar o acesso a recursos da AWS usando tags](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_tags.html).
# Configurar o Studio para ser executado com sub-redes sem acesso à internet em uma VPC
Este guia mostra como se conectar aos espaços do Amazon SageMaker Studio a partir do seu IDE remoto quando seu domínio Amazon SageMaker AI é executado em sub-redes privadas sem acesso à Internet. Você aprenderá sobre os requisitos de conectividade e as opções de configuração para estabelecer conexões remotas seguras em ambientes de rede isolados.
Você pode configurar o Amazon SageMaker Studio para ser executado somente no modo VPC com sub-redes sem acesso à Internet. Essa configuração aprimora a segurança de suas workloads de machine learning, pois permite operar em um ambiente de rede isolado em que todo o tráfego flui pela VPC. Para habilitar a comunicação externa e, ao mesmo tempo, manter a segurança, use endpoints de VPC para AWS serviços e configure a PrivateLink VPC para as dependências necessárias. AWS
**Suporte IDE para conexões de sub-rede privadas**
A tabela a seguir mostra os métodos de conexão suportados para cada IDE remoto ao se conectar aos espaços do Studio em sub-redes privadas sem acesso à Internet.
| Método de conexão | VS Code | Kiro | Cursor |
| --- | --- | --- | --- |
| Suporte ao proxy HTTP | Compatível | Compatível | Não compatível |
| Servidor remoto e extensões pré-empacotados | Compatível | Não compatível | Sem compatibilidade |
**Importante**
O cursor não é suportado para conexão com espaços do Studio em sub-redes privadas sem acesso de saída à Internet.
**Topics**
+ [Requisitos de rede de acesso remoto do Studio](#remote-access-remote-setup-vpc-subnets-without-internet-access-network-requirements)
+ [Configurar a rede de acesso remoto do Studio](#remote-access-remote-setup-vpc-subnets-without-internet-access-setup)
## Requisitos de rede de acesso remoto do Studio
**Limitações do modo VPC**: no modo VPC, o Studio permite apenas sub-redes privadas. Ele não funciona com sub-redes diretamente conectadas a um gateway da internet (IGW). As conexões IDE remotas compartilham as mesmas limitações da SageMaker IA. Para ter mais informações, consulte [Conectar os cadernos do Studio em uma VPC para recursos externos](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-and-internet-access.html).
### Requisitos de VPC PrivateLink
Quando a SageMaker IA é executada em sub-redes privadas, configure esses endpoints VPC SSM, além dos endpoints VPC padrão necessários. SageMaker Para ter mais informações, consulte [Conectar o Studio por meio de um endpoint da VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-interface-endpoint.html).
+ `com.amazonaws.REGION.ssm`
+ `com.amazonaws.REGION.ssmmessages`
**Recomendações de políticas de endpoints de VPC**
A seguir estão as políticas de endpoint de VPC recomendadas que permitem as ações necessárias para acesso remoto enquanto usam a `aws:PrincipalIsAWSService` condição para garantir que somente serviços AWS como o Amazon SageMaker AI possam fazer as chamadas. Para obter mais informações sobre a chave de `aws:PrincipalIsAWSService` condição, consulte [a documentação](https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_condition-keys.html#condition-keys-principalisawsservice).
**Política de endpoint de SSM**
Use a seguinte política para o `com.amazonaws.REGION.ssm` endpoint:
```
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": "*",
"Action": [
"ssm:CreateActivation",
"ssm:RegisterManagedInstance",
"ssm:DeleteActivation",
"ssm:DeregisterManagedInstance",
"ssm:AddTagsToResource",
"ssm:UpdateInstanceInformation",
"ssm:UpdateInstanceAssociationStatus",
"ssm:DescribeInstanceInformation",
"ssm:ListInstanceAssociations",
"ssm:ListAssociations",
"ssm:GetDocument",
"ssm:PutInventory"
],
"Resource": "*",
"Condition": {
"BoolIfExists": {
"aws:PrincipalIsAWSService": "true"
}
}
}
]
}
```
**Política de endpoint de mensagens SSM**
Use a seguinte política para o `com.amazonaws.REGION.ssmmessages` endpoint:
```
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": "*",
"Action": [
"ssmmessages:CreateControlChannel",
"ssmmessages:CreateDataChannel",
"ssmmessages:OpenControlChannel",
"ssmmessages:OpenDataChannel"
],
"Resource": "*",
"Condition": {
"BoolIfExists": {
"aws:PrincipalIsAWSService": "true"
}
}
}
]
}
```
**Requisitos de rede específicos do VS Code**
A conexão remota do VS Code requer o desenvolvimento remoto do VS Code, que precisa de acesso específico à rede para instalar o servidor remoto e as extensões. Consulte [Remote Development FAQ](https://code.visualstudio.com/docs/remote/faq) na documentação do Visual Studio Code para ver todos os requisitos de rede. Abaixo é apresentado um resumo do requisitos:
+ O acesso aos endpoints do servidor do VS Code da Microsoft é necessário para instalar e atualizar o servidor remoto do VS Code.
+ O acesso ao Visual Studio Marketplace e aos endpoints de CDN relacionados é necessário para instalar as extensões do VS Code por meio do painel de extensões (também é possível instalar as extensões manualmente usando arquivos VSIX sem conexão com a internet).
+ Algumas extensões podem exigir acesso a endpoints adicionais para baixar dependências específicas. Consulte a documentação da extensão para conhecer os requisitos específicos de conectividade.
**Requisitos de rede específicos da Kiro**
A conexão remota do Kiro requer o desenvolvimento remoto do Kiro, que precisa de acesso específico à rede para instalar o servidor remoto e as extensões. Para configuração de firewall e servidor proxy, consulte Configuração do [firewall Kiro](https://kiro.dev/docs/privacy-and-security/firewalls/). Os requisitos são semelhantes aos do VS Code:
+ O acesso aos endpoints do servidor Kiro é necessário para instalar e atualizar o servidor remoto Kiro.
+ O acesso ao mercado de extensões e aos endpoints CDN relacionados é necessário para instalar as extensões Kiro por meio do painel de extensões.
+ Algumas extensões podem exigir acesso a endpoints adicionais para baixar dependências específicas. Consulte a documentação da extensão para conhecer os requisitos específicos de conectividade.
## Configurar a rede de acesso remoto do Studio
Você tem as seguintes opções para conectar seu IDE remoto aos espaços do Studio em sub-redes privadas:
+ Proxy HTTP (compatível com VS Code e Kiro)
+ Servidor remoto e extensões pré-empacotados (somente VS Code)
### Configurar o proxy HTTP com lista de permissões controlada
Quando o espaço do Studio estiver protegido por um firewall ou proxy, permita o acesso ao seu servidor IDE e aos endpoints relacionados à extensão CDNs .
1. Configure uma sub-rede pública para executar o proxy HTTP (como o Squid), na qual é possível configurar quais sites permitir. Certifique-se de que o proxy HTTP esteja acessível por SageMaker espaços.
1. A sub-rede pública pode estar na mesma VPC usada pelo Studio ou em uma VPC separada emparelhada com todos os domínios VPCs usados pela Amazon AI. SageMaker
### Configurar servidores remotos e extensões pré-empacotados (somente VS Code)
**nota**
Essa opção está disponível somente para o Visual Studio Code. O Kiro e o Cursor não oferecem suporte à configuração pré-empacotada do servidor remoto.
Quando seus espaços do Studio não conseguem acessar endpoints externos para baixar o servidor remoto e extensões do VS Code, você pode empacotá-los previamente. Com essa abordagem, exporte um tarball contendo o diretório `.VS Code-server` de uma versão específica do VS Code. Em seguida, você usa um script SageMaker AI Lifecycle Configuration (LCC) para copiar e extrair o tarball no diretório inicial (`/home/sagemaker-user`) dos espaços do Studio. Essa solução baseada em LCC funciona com imagens AWS fornecidas e personalizadas. Mesmo quando você não está usando sub-redes privadas, essa abordagem acelera a configuração do servidor remoto e das extensões pré-instaladas do VS Code.
**Instruções para pré-empacotar o servidor remoto e as extensões do VS Code**
1. Instale o VS Code na máquina local.
1. Inicie um contêiner do Docker baseado em Linux (x64) com SSH habilitado, localmente ou por meio de um espaço do Studio com acesso à internet. Recomendamos usar um espaço temporário do Studio com acesso remoto e internet habilitada para simplificar.
1. Conecte o VS Code instalado ao contêiner do Docker local via SSH remoto ou conecte-se ao espaço do Studio por meio do recurso do VS Code remoto do Studio. O VS Code instala o servidor remoto no `.VS Code-server` no diretório inicial do contêiner remoto durante a conexão. Consulte [Exemplo de uso do Dockerfile para pré-empacotar seu servidor remoto e extensões do VS Code](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-dockerfile) para obter mais informações.
1. Depois de se conectar remotamente, você deve usar o perfil padrão do VS Code.
1. Instale as extensões necessárias do VS Code e valide a respectiva funcionalidade. Por exemplo, crie e execute um caderno para instalar extensões relacionadas ao caderno Jupyter no servidor remoto do VS Code.
Certifique-se de [instalar a AWS Toolkit for Visual Studio Code extensão](https://docs.aws.amazon.com/toolkit-for-visual-studio/latest/user-guide/setup.html) depois de se conectar ao contêiner remoto.
1. Arquive o diretório `$HOME/.VS Code-server` (por exemplo, `VS Code-server-with-extensions-for-1.100.2.tar.gz`) no contêiner do Docker local ou no terminal do espaço do Studio conectado remotamente.
1. Faça upload do tarball no Amazon S3.
1. Crie um [script de LCC](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lifecycle-configurations.html) ([Exemplo de script LCC (LCC-install-VS C ode-server-v 1.100.2)](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-lcc)) que:
+ Baixe o arquivo específico do Amazon S3.
+ Extraia o arquivo para o diretório inicial quando um espaço do Studio em uma sub-rede privada é iniciado.
1. (Opcional) Estenda o script de LCC para permitir tarballs do servidor do VS Code por usuário armazenados em pastas do Amazon S3 específicas do usuário.
1. (Opcional) Mantenha scripts de LCC específicos da versão ([Exemplo de script LCC (LCC-install-VS C ode-server-v 1.100.2)](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-lcc)) que você possa anexar aos seus espaços para garantir a compatibilidade entre o cliente do VS Code local e o servidor remoto.
# Configure a filtragem automatizada de espaço do Studio ao usar o Toolkit AWS
Os usuários podem filtrar espaços no AWS Toolkit for Visual Studio Code explorador para exibir somente espaços relevantes. Esta seção fornece informações sobre filtragem e como configurar a filtragem automatizada.
Essa configuração só se aplica ao usar o [Método 2: AWS Kit de ferramentas no IDE remoto](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code) método para se conectar do seu IDE remoto aos espaços do Amazon SageMaker Studio. Consulte [Configurar o acesso remoto](remote-access-remote-setup.md) para obter mais informações.
**Topics**
+ [Visão geral sobre filtragem](#remote-access-remote-setup-filter-overview)
+ [Configurar quando se conectar com credenciais do IAM](#remote-access-remote-setup-filter-set-up-iam-credentials)
## Visão geral sobre filtragem
A **filtragem manual** permite que os usuários selecionem manualmente quais perfis de usuário exibir espaços por meio da interface do AWS Toolkit. Esse método funciona para todos os tipos de autenticação e tem precedência sobre a filtragem automática. Para filtrar manualmente, consulte [Filtragem manual](remote-access-local-ide-setup-filter.md#remote-access-local-ide-setup-filter-manual).
A **filtragem automática** mostra automaticamente ao usuário autenticado apenas os espaços relevantes. Esse comportamento de filtragem depende do método de autenticação durante o login. Consulte [conectar-se a AWS partir do Toolkit](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html#connect-to-aws) no Guia do usuário do Toolkit for VS Code para obter mais informações. A seguir é apresentada uma lista das opções de login.
+ **Autenticar e conectar-se com o SSO**: a filtragem automatizada funciona por padrão.
+ **Autenticar e conectar-se com credenciais do IAM**: a filtragem automatizada **exige a configuração do administrador** para as credenciais do IAM a seguir. Sem essa configuração, o AWS Toolkit não consegue identificar quais espaços pertencem ao usuário, então todos os espaços são mostrados por padrão.
+ Uso de credenciais de usuário do IAM
+ **Uso de credenciais de sessão do perfil do IAM assumido**
## Configurar quando se conectar com credenciais do IAM
**Quando usar credenciais de usuário do IAM**
O kit de ferramentas para VS Code consegue identificar os espaços pertencentes a perfis de usuário que comecem com o nome de usuário autenticado do IAM ou o nome da sessão do perfil assumido. Para configurar isso:
**nota**
Os administradores devem configurar os nomes de perfil de usuário do Studio de acordo com essa convenção de nomenclatura para que a filtragem automática funcione corretamente.
+ Eles devem garantir que os nomes de perfil de usuário do Studio sigam a convenção de nomenclatura:
+ Para usuários do IAM: prefixo com `IAM-user-name-`.
+ Para perfis assumidos: prefixo com `assumed-role-session-name-`.
+ `aws sts get-caller-identity` exibe as informações de identidade usadas para fazer a correspondência.
+ Os espaços pertencentes aos perfis de usuário correspondentes serão filtrados automaticamente no kit de ferramentas para VS Code.
**Ao usar credenciais de sessão com função presumida do IAM** Além da configuração acima ao usar as credenciais de usuário do IAM, você precisará garantir que a sessão ARNs inclua identificadores de usuário como prefixos correspondentes. Você pode configurar políticas de confiança que garantam que a sessão ARNs inclua identificadores de usuário como prefixos. [Crie uma política de confiança](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html) e anexe-a ao perfil assumido usado para autenticação.
Essa configuração não é necessária para credenciais diretas de usuário do IAM ou autenticação do IdC.
**Exemplo de configuração de política de confiança para credenciais de sessão de perfil do IAM**: crie uma política de confiança que imponha que as sessões de perfil incluam o nome de usuário do IAM. Veja abaixo um exemplo de política:
```
{
"Statement": [
{
"Sid": "RoleTrustPolicyRequireUsernameForSessionName",
"Effect": "Allow",
"Action": "sts:AssumeRole",
"Principal": {"AWS": "arn:aws:iam::ACCOUNT:root"},
"Condition": {
"StringLike": {"sts:RoleSessionName": "${aws:username}"}
}
}
]
}
```
# Configurar o IDE remoto
Depois que os administradores concluírem as instruções[Conecte seu IDE remoto a SageMaker espaços com acesso remoto](remote-access.md), você poderá conectar seu IDE remoto aos seus SageMaker espaços remotos.
**Topics**
+ [Configurar o ambiente local](#remote-access-local-ide-setup-local-environment)
+ [Conecte-se ao seu IDE remoto](#remote-access-local-ide-setup-local-vs-code)
+ [Conectar-se à VPC com sub-redes sem acesso à internet](remote-access-local-ide-setup-vpc-no-internet.md)
+ [Filtrar espaços do Studio](remote-access-local-ide-setup-filter.md)
## Configurar o ambiente local
Instale seu IDE remoto preferido em sua máquina local:
+ [Visual Studio Code](https://code.visualstudio.com/)
+ [Kiro](https://kiro.dev/)
+ [Cursor](https://cursor.com/home)
Para obter informações sobre os requisitos da versão, consulte[Requisitos da versão do IDE](remote-access.md#remote-access-ide-version-requirements).
## Conecte-se ao seu IDE remoto
Antes que você possa estabelecer uma conexão do seu IDE remoto com seus SageMaker espaços remotos, seu administrador deve[Configurar o acesso remoto](remote-access-remote-setup.md). O administrador configura um método específico para você estabelecer uma conexão. Escolha o método que foi configurado para você.
**Topics**
+ [Método 1: link direto da interface de usuário do Studio](#remote-access-local-ide-setup-local-vs-code-method-1-deep-link-from-studio-ui)
+ [Método 2: AWS Kit de ferramentas no IDE remoto](#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code)
+ [Método 3: conectar-se pelo terminal via CLI do SSH](#remote-access-local-ide-setup-local-vs-code-method-3-connect-from-the-terminal-via-ssh-cli)
### Método 1: link direto da interface de usuário do Studio
Use o procedimento a seguir para estabelecer uma conexão usando o link direto.
1. [Inicie o Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html#studio-updated-launch-console).
1. Na interface do usuário do Studio, navegue até o seu espaço.
1. Escolha **o botão Abrir no VS Code**, **Abrir no Kiro** ou **Abrir no Cursor** para seu IDE preferido. Certifique-se de que seu IDE preferido já esteja instalado em seu computador local.
1. Quando solicitado, confirme para abrir seu IDE. Seu IDE abre com outro pop-up para confirmar. Depois de concluída, a conexão remota é estabelecida.
### Método 2: AWS Kit de ferramentas no IDE remoto
Use o procedimento a seguir para estabelecer uma conexão usando o AWS Toolkit for Visual Studio Code. Esse método está disponível para VS Code, Kiro e Cursor.
1. Abra seu IDE remoto (VS Code, Kiro ou Cursor).
1. Abra a extensão AWS Toolkit.
1. [Conecte-se à AWS](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html).
1. No AWS Explorer, expanda a **SageMaker IA** e, em seguida, expanda o **Studio**.
1. Encontre seu espaço do Studio.
1. Escolha o ícone de **conexão** ao lado do seu espaço para iniciá-lo.
**nota**
Pare e reinicie o espaço no kit de ferramentas para Visual Studio para habilitar o acesso remoto, se ainda não conectado.
Se o espaço não estiver usando um [tamanho de instância](https://docs.aws.amazon.com/sagemaker/latest/dg/remote-access.html#remote-access-instance-requirements) compatível, você deverá alterar a instância.
### Método 3: conectar-se pelo terminal via CLI do SSH
Escolha uma das seguintes opções de plataforma para visualizar o procedimento para estabelecer uma conexão usando a CLI SSH.
**nota**
Verifique se você tem as versões mais recentes do [Pré-requisitos da máquina local](remote-access.md#remote-access-local-prerequisites) instalado antes de seguir as instruções abaixo.
Se você[Traga sua própria imagem (BYOI)](studio-updated-byoi.md), certifique-se de ter instalado as dependências necessárias listadas [Requisitos de imagens](remote-access.md#remote-access-image-requirements) antes de continuar
------
#### [ Linux/macOS ]
Crie um script de shell (por exemplo, `/home/user/sagemaker_connect.sh`):
```
#!/bin/bash
# Disable the -x option if printing each command is not needed.
set -exuo pipefail
SPACE_ARN="$1"
AWS_PROFILE="${2:-}"
# Validate ARN and extract region
if [[ "$SPACE_ARN" =~ ^arn:aws[-a-z]*:sagemaker:([a-z0-9-]+):[0-9]{12}:space\/[^\/]+\/[^\/]+$ ]]; then
AWS_REGION="${BASH_REMATCH[1]}"
else
echo "Error: Invalid SageMaker Studio Space ARN format."
exit 1
fi
# Optional profile flag
PROFILE_ARG=()
if [[ -n "$AWS_PROFILE" ]]; then
PROFILE_ARG=(--profile "$AWS_PROFILE")
fi
# Start session
START_SESSION_JSON=$(aws sagemaker start-session \
--resource-identifier "$SPACE_ARN" \
--region "${AWS_REGION}" \
"${PROFILE_ARG[@]}")
# Extract fields using grep and sed
SESSION_ID=$(echo "$START_SESSION_JSON" | grep -o '"SessionId": "[^"]*"' | sed 's/.*: "//;s/"$//')
STREAM_URL=$(echo "$START_SESSION_JSON" | grep -o '"StreamUrl": "[^"]*"' | sed 's/.*: "//;s/"$//')
TOKEN=$(echo "$START_SESSION_JSON" | grep -o '"TokenValue": "[^"]*"' | sed 's/.*: "//;s/"$//')
# Validate extracted values
if [[ -z "$SESSION_ID" || -z "$STREAM_URL" || -z "$TOKEN" ]]; then
echo "Error: Failed to extract session information from sagemaker start session response."
exit 1
fi
# Call session-manager-plugin
session-manager-plugin \
"{\"streamUrl\":\"$STREAM_URL\",\"tokenValue\":\"$TOKEN\",\"sessionId\":\"$SESSION_ID\"}" \
"$AWS_REGION" "StartSession"
```
1. Torne o script executável:
```
chmod +x /home/user/sagemaker_connect.sh
```
1. Configure `$HOME/.ssh/config` para adicionar a seguinte entrada:
```
Host space-name
HostName 'arn:PARTITION:sagemaker:us-east-1:111122223333:space/domain-id/space-name'
ProxyCommand '/home/user/sagemaker_connect.sh' '%h'
ForwardAgent yes
AddKeysToAgent yes
StrictHostKeyChecking accept-new
```
Por exemplo, `PARTITION` pode ser `aws`.
Se você precisar usar um [perfil de AWS credencial nomeado](https://docs.aws.amazon.com/cli/v1/userguide/cli-configure-files.html#cli-configure-files-using-profiles), altere o comando proxy da seguinte forma:
```
ProxyCommand '/home/user/sagemaker_connect.sh' '%h' YOUR_CREDENTIAL_PROFILE_NAME
```
+ Conecte-se via SSH ou execute o comando SCP:
```
ssh space-name
scp file_abc space-name:/tmp/
```
------
#### [ Windows ]
**Pré-requisitos para Windows:**
+ PowerShell 5.1 ou posterior
+ Cliente SSH (OpenSSH recomendado)
Crie um PowerShell script (por exemplo,`C:\Users\user-name\sagemaker_connect.ps1`):
```
# sagemaker_connect.ps1
param(
[Parameter(Mandatory=$true)]
[string]$SpaceArn,
[Parameter(Mandatory=$false)]
[string]$AwsProfile = ""
)
# Enable error handling
$ErrorActionPreference = "Stop"
# Validate ARN and extract region
if ($SpaceArn -match "^arn:aws[-a-z]*:sagemaker:([a-z0-9-]+):[0-9]{12}:space\/[^\/]+\/[^\/]+$") {
$AwsRegion = $Matches[1]
} else {
Write-Error "Error: Invalid SageMaker Studio Space ARN format."
exit 1
}
# Build AWS CLI command
$awsCommand = @("sagemaker", "start-session", "--resource-identifier", $SpaceArn, "--region", $AwsRegion)
if ($AwsProfile) {
$awsCommand += @("--profile", $AwsProfile)
}
try {
# Start session and capture output
Write-Host "Starting SageMaker session..." -ForegroundColor Green
$startSessionOutput = & aws @awsCommand
# Try to parse JSON response
try {
$sessionData = $startSessionOutput | ConvertFrom-Json
} catch {
Write-Error "Failed to parse JSON response: $_"
Write-Host "Raw response was:" -ForegroundColor Yellow
Write-Host $startSessionOutput
exit 1
}
$sessionId = $sessionData.SessionId
$streamUrl = $sessionData.StreamUrl
$token = $sessionData.TokenValue
# Validate extracted values
if (-not $sessionId -or -not $streamUrl -or -not $token) {
Write-Error "Error: Failed to extract session information from sagemaker start session response."
Write-Host "Parsed response was:" -ForegroundColor Yellow
Write-Host ($sessionData | ConvertTo-Json)
exit 1
}
Write-Host "Session started successfully. Connecting..." -ForegroundColor Green
# Create session manager plugin command
$sessionJson = @{
streamUrl = $streamUrl
tokenValue = $token
sessionId = $sessionId
} | ConvertTo-Json -Compress
# Escape the JSON string
$escapedJson = $sessionJson -replace '"', '\"'
# Call session-manager-plugin
& session-manager-plugin "$escapedJson" $AwsRegion "StartSession"
} catch {
Write-Error "Failed to start session: $_"
exit 1
}
```
+ Configure `C:\Users\user-name\.ssh\config` para adicionar a seguinte entrada:
```
Host space-name
HostName "arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name"
ProxyCommand "C:\WINDOWS\System32\WindowsPowerShell\v1.0\powershell.exe" -ExecutionPolicy RemoteSigned -File "C:\\Users\\user-name\\sagemaker_connect.ps1" "%h"
ForwardAgent yes
AddKeysToAgent yes
User sagemaker-user
StrictHostKeyChecking accept-new
```
------
# Conectar-se à VPC com sub-redes sem acesso à internet
Antes de conectar seu IDE remoto aos espaços do Studio em sub-redes privadas sem acesso à Internet, verifique se o administrador o fez. [Configurar o Studio para ser executado com sub-redes sem acesso à internet em uma VPC](remote-access-remote-setup-vpc-subnets-without-internet-access.md)
Você tem as seguintes opções para conectar seu IDE remoto aos espaços do Studio em sub-redes privadas:
+ Configurar o proxy HTTP (compatível com VS Code e Kiro)
+ Servidor remoto e extensões pré-empacotados (somente VS Code)
**Importante**
O cursor não é suportado para conexão com espaços do Studio em sub-redes privadas sem acesso de saída à Internet.
**Topics**
+ [Proxy HTTP com lista de permissões controlada](#remote-access-local-ide-setup-vpc-no-internet-http-proxy-with-controlled-allow-listing)
+ [Servidor remoto e extensões pré-empacotados (somente VS Code)](#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions)
## Proxy HTTP com lista de permissões controlada
Quando o espaço do Studio estiver protegido por um firewall ou proxy, peça ao administrador que permita o acesso ao seu servidor IDE e aos endpoints CDNs e relacionados à extensão. Para obter mais informações, consulte [Configurar o proxy HTTP com lista de permissões controlada](remote-access-remote-setup-vpc-subnets-without-internet-access.md#remote-access-remote-setup-vpc-subnets-without-internet-access-setup-http-proxy-with-controlled-allow-listing).
------
#### [ VS Code ]
Configure o proxy HTTP para o desenvolvimento remoto do VS Code fornecendo a URL do proxy com a `remote.SSH.httpsProxy` configuração `remote.SSH.httpProxy` ou.
**nota**
Considere habilitar “Remote.ssh: use arquivos de configuração Curl e Wget” para usar a configuração dos arquivos e do ambiente remoto. `curlrc` `wgetrc` Isso é para que os `wgetrc` arquivos `curlrc` e, colocados em seus respectivos locais padrão no SageMaker espaço, possam ser usados para habilitar determinados casos.
------
#### [ Kiro ]
Configure o proxy HTTP para o desenvolvimento remoto do Kiro definindo a `aws.sagemaker.ssh.kiro.httpsProxy` configuração para seu endpoint de proxy HTTP ou HTTPS.
Se você usa servidores MCP (Model Context Protocol) no Kiro, também precisa adicionar as variáveis de ambiente proxy à configuração do servidor MCP:
```
"env": {
"http_proxy": "${http_proxy}",
"https_proxy": "${https_proxy}"
}
```
------
Essa opção funciona quando você tem permissão para configurar o proxy HTTP e permite instalar extensões adicionais de forma flexível, pois algumas extensões exigem um endpoint público.
## Servidor remoto e extensões pré-empacotados (somente VS Code)
**nota**
Essa opção está disponível somente para o Visual Studio Code. O Kiro e o Cursor não oferecem suporte à configuração pré-empacotada do servidor remoto.
Quando seus espaços do Studio não conseguem acessar endpoints externos para baixar o servidor remoto e extensões do VS Code, você pode empacotá-los previamente. Com essa abordagem, o administrador pode exportar um tarball que contém o diretório `.VS Code-server` de uma versão específica do VS Code. Em seguida, o administrador usa um script SageMaker AI Lifecycle Configuration (LCC) para copiar e extrair o tarball em seu diretório inicial (). `/home/sagemaker-user` Para obter mais informações, consulte [Configurar servidores remotos e extensões pré-empacotados (somente VS Code)](remote-access-remote-setup-vpc-subnets-without-internet-access.md#remote-access-remote-setup-vpc-subnets-without-internet-access-setup-pre-packaged-vs-code-remote-server-and-extensions).
**Instruções para pré-empacotar o servidor remoto e as extensões do VS Code**
1. Instale o VS Code na máquina local.
1. Quando você se conecta ao SageMaker espaço:
+ Use o perfil padrão para garantir a compatibilidade com extensões pré-empacotadas. Caso contrário, você precisará instalar extensões usando os arquivos VSIX baixados depois de se conectar ao espaço do Studio.
+ Escolha um script de LCC específico da versão do VS Code para anexar ao espaço ao iniciá-lo.
### Exemplo de uso do Dockerfile para pré-empacotar seu servidor remoto e extensões do VS Code
A seguir é apresentado um exemplo de Dockerfile para iniciar um contêiner local com o servidor SSH pré-instalado, caso não seja possível criar um espaço com acesso remoto e internet habilitada.
**nota**
Neste exemplo, o servidor SSH não requer autenticação e é usado apenas para exportar o servidor remoto do VS Code.
O contêiner deve ser criado e executado em uma arquitetura x64.
```
FROM amazonlinux:2023
# Install OpenSSH server and required tools
RUN dnf install -y \
openssh-server \
shadow-utils \
passwd \
sudo \
tar \
gzip \
&& dnf clean all
# Create a user with no password
RUN useradd -m -s /bin/bash sagemaker-user && \
passwd -d sagemaker-user
# Add sagemaker-user to sudoers via wheel group
RUN usermod -aG wheel sagemaker-user && \
echo 'sagemaker-user ALL=(ALL) NOPASSWD:ALL' > /etc/sudoers.d/sagemaker-user && \
chmod 440 /etc/sudoers.d/sagemaker-user
# Configure SSH to allow empty passwords and password auth
RUN sed -i 's/^#\?PermitEmptyPasswords .*/PermitEmptyPasswords yes/' /etc/ssh/sshd_config && \
sed -i 's/^#\?PasswordAuthentication .*/PasswordAuthentication yes/' /etc/ssh/sshd_config
# Generate SSH host keys
RUN ssh-keygen -A
# Expose SSH port
EXPOSE 22
WORKDIR /home/sagemaker-user
USER sagemaker-user
# Start SSH server
CMD ["bash"]
```
Use os seguintes comandos para criar e executar o contêiner:
```
# Build the image
docker build . -t remote_server_export
# Run the container
docker run --rm -it -d \
-v /tmp/remote_access/.VS Code-server:/home/sagemaker-user/.VS Code-server \
-p 2222:22 \
--name remote_server_export \
remote_server_export
# change the permisson for the mounted folder
docker exec -i remote_server_export \
bash -c 'sudo chown sagemaker-user:sagemaker-user ~/.VS Code-server'
# start the ssh server in the container
docker exec -i remote_server_export bash -c 'sudo /usr/sbin/sshd -D &'
```
Conecte-se usando o seguinte comando:
```
ssh sagemaker-user@localhost -p 2222
```
Para que esse contêiner possa ser conectado, faça a configuração abaixo no arquivo `.ssh/config`. Depois, você poderá ver `remote_access_export` como um nome de host no painel lateral de SSH remoto ao se conectar. Por exemplo:
```
Host remote_access_export
HostName localhost
User=sagemaker-user
Port 2222
ForwardAgent yes
```
Arquive `/tmp/remote_access/.VS Code-server` e siga as etapas em “Servidor remoto e extensões pré-empacotados do VS Code” para conectar e instalar a extensão. Depois de descompactar, verifique se a pasta `.VS Code-server` aparece como a pasta principal.
```
cd /tmp/remote_access/
sudo tar -czvf VS Code-server-with-extensions-for-1.100.2.tar.gz .VS Code-server
```
### Exemplo de script LCC (LCC-install-VS C ode-server-v 1.100.2)
Veja a seguir um exemplo de como instalar uma versão específica do servidor remoto do VS Code.
```
#!/bin/bash
set -x
remote_server_file=VS Code-server-with-extensions-for-1.100.2.tar.gz
if [ ! -d "${HOME}/.VS Code-server" ]; then
cd /tmp
aws s3 cp s3://S3_BUCKET/remote_access/${remote_server_file} .
tar -xzvf ${remote_server_file}
mv .VS Code-server "${HOME}"
rm ${remote_server_file}
else
echo "${HOME}/.VS Code-server already exists, skipping download and install."
fi
```
# Filtrar espaços do Studio
Você pode usar a filtragem para exibir somente os espaços relevantes da Amazon SageMaker AI no AWS Toolkit for Visual Studio Code explorador. Veja a seguir informações sobre filtragem manual e filtragem automatizada. Para ter mais informações sobre as definições de filtragem manual e automática, consulte [Visão geral sobre filtragem](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-overview).
Essa configuração só se aplica ao usar o [Método 2: AWS Kit de ferramentas no IDE remoto](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code) método para se conectar do seu IDE remoto aos espaços do Amazon SageMaker Studio. Consulte [Configurar o acesso remoto](remote-access-remote-setup.md) para obter mais informações.
**Topics**
+ [Filtragem manual](#remote-access-local-ide-setup-filter-manual)
+ [Configuração de filtragem automática ao usar credenciais do IAM para fazer login](#remote-access-local-ide-setup-filter-automatic-IAM-credentials)
## Filtragem manual
Para filtrar manualmente os espaços exibidos:
+ Abra seu IDE remoto e navegue até o explorador do painel lateral do Toolkit for VS Code
+ Encontre a seção de **SageMaker IA**
+ Escolha o ícone do filtro à direita do cabeçalho da seção SageMaker AI. Isso abre um menu suspenso.
+ No menu suspenso, selecione os perfis de usuário para os quais você deseja exibir espaços.
## Configuração de filtragem automática ao usar credenciais do IAM para fazer login
A filtragem automática depende do método de autenticação durante o login. Consulte [Conectando-se a AWS partir do kit de ferramentas](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html#connect-to-aws) no Guia do usuário do Toolkit for VS Code para obter mais informações.
Quando você se autentica e se conecta com **credenciais do IAM**, a filtragem automatizada exige que você siga as instruções em [Configurar quando se conectar com credenciais do IAM](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-set-up-iam-credentials). Sem essa configuração, se os usuários optarem pela filtragem de identidade, nenhum espaço será exibido.
Depois que o acima estiver configurado, o AWS Toolkit combina os espaços pertencentes aos perfis de usuário que começam com o nome de usuário autenticado do IAM ou o nome da sessão da função assumida.
A filtragem automática é opcional para os usuários:
+ Abra suas configurações do Remote IDE
+ Navegue até a extensão **Kit de ferramentas da AWS **
+ Encontre **Habilitar a filtragem de identidade**.
+ Opte por habilitar a filtragem automática de espaços com base em sua identidade da AWS .
# AWS Regiões suportadas
A tabela a seguir lista as AWS regiões nas quais as conexões remotas do IDE com os espaços do Studio são suportadas, junto com as IDEs disponíveis em cada região.
| AWS Região | VS Code | Kiro | Cursor |
| --- | --- | --- | --- |
| us-east-1 | Compatível | Compatível | Compatível |
| us-east-2 | Compatível | Compatível | Compatível |
| us-west-1 | Compatível | Compatível | Compatível |
| us-west-2 | Compatível | Compatível | Compatível |
| af-south-1 | Compatível | Compatível | Compatível |
| ap-east-1 | Compatível | Compatível | Compatível |
| ap-south-1 | Compatível | Compatível | Compatível |
| ap-northeast-1 | Compatível | Compatível | Compatível |
| ap-northeast-2 | Compatível | Compatível | Compatível |
| ap-northeast-3 | Compatível | Compatível | Compatível |
| ap-southeast-1 | Compatível | Compatível | Compatível |
| ap-southeast-2 | Compatível | Compatível | Compatível |
| ap-southeast-3 | Compatível | Compatível | Compatível |
| ap-southeast-5 | Compatível | Compatível | Compatível |
| ca-central-1 | Compatível | Compatível | Compatível |
| eu-central-1 | Compatível | Compatível | Compatível |
| eu-central-2 | Compatível | Compatível | Compatível |
| eu-north-1 | Compatível | Compatível | Compatível |
| eu-south-1 | Compatível | Compatível | Compatível |
| eu-south-2 | Compatível | Compatível | Compatível |
| eu-west-1 | Compatível | Compatível | Compatível |
| eu-west-2 | Compatível | Compatível | Compatível |
| eu-west-3 | Compatível | Compatível | Compatível |
| il-central-1 | Compatível | Compatível | Compatível |
| me-central-1 | Compatível | Não compatível | Sem compatibilidade |
| me-south-1 | Compatível | Não compatível | Sem compatibilidade |
| sa-east-1 | Compatível | Compatível | Compatível |
# Traga sua própria imagem (BYOI)
Uma imagem é um arquivo que identifica os kernels, os pacotes de linguagem e outras dependências necessárias para executar suas aplicações. Inclui:
+ Linguagens de programação (como Python ou R)
+ Kernels
+ Bibliotecas e pacotes
+ Outro software necessário
O Amazon SageMaker Distribution (`sagemaker-distribution`) é um conjunto de imagens do Docker que inclui estruturas e pacotes populares para aprendizado de máquina, ciência de dados e visualização. Para obter mais informações, consulte [SageMaker Política de suporte de imagem do Studio](sagemaker-distribution.md).
Se precisar de uma funcionalidade diferente, você pode trazer sua própria imagem (BYOI). É recomendável criar uma imagem personalizada se:
+ Você precisar de uma versão específica de uma linguagem de programação ou biblioteca.
+ Você desejar incluir ferramentas ou pacotes personalizados.
+ Você estiver trabalhando com um software especializado que não está disponível nas imagens padrão.
## Terminologia básica
A seção a seguir define os principais termos para usar sua própria imagem com a SageMaker IA.
+ **Dockerfile:** um documento baseado em texto com instruções para criar uma imagem do Docker. Ele identifica os pacotes de idiomas e outras dependências da sua imagem do Docker.
+ **Imagem do Docker:** um conjunto empacotado de software e dependências criado com base em um Dockerfile.
+ **SageMaker Armazenamento de imagens de IA:** um armazenamento de suas imagens personalizadas em SageMaker IA.
**Topics**
+ [Terminologia básica](#studio-updated-byoi-basics)
+ [Especificações de imagem personalizadas](studio-updated-byoi-specs.md)
+ [Como trazer sua própria imagem](studio-updated-byoi-how-to.md)
+ [Iniciar uma imagem personalizada no Studio](studio-updated-byoi-how-to-launch.md)
+ [Visualizar detalhes da imagem personalizada](studio-updated-byoi-view-images.md)
+ [Acelere a inicialização de contêineres com o SOCI](soci-indexing.md)
+ [Desanexar imagens personalizadas e limpar os recursos correspondentes](studio-updated-byoi-how-to-detach-from-domain.md)
# Especificações de imagem personalizadas
A imagem que você especifica no Dockerfile deve atender as especificações nas seções a seguir para criar a imagem com sucesso.
**Topics**
+ [Executando a imagem](#studio-updated-byoi-specs-run)
+ [Especificações para o usuário e o sistema de arquivos](#studio-updated-byoi-specs-user-and-filesystem)
+ [Verificação de integridade e URL de aplicações](#studio-updated-byoi-specs-app-healthcheck)
+ [Exemplos de Dockerfile](#studio-updated-byoi-specs-dockerfile-templates)
## Executando a imagem
As configurações a seguir podem ser feitas atualizando sua [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html). Para ver um exemplo, consulte [Atualizar a configuração do contêiner](studio-updated-byoi-how-to-container-configuration.md).
+ `Entrypoint`: você pode configurar `ContainerArguments` e `ContainerEntrypoint`, que são transferidos para o contêiner no runtime. Recomendamos que você use `ContainerConfig` para configurar seu ponto de entrada. Consulte o link acima para ver um exemplo.
+ `EnvVariables`: ao usar o Studio, você pode definir variáveis personalizadas de `ContainerEnvironment` para seu contêiner. Opcionalmente, use `ContainerConfig` para atualizar suas variáveis de ambiente. Consulte o link acima para ver um exemplo.
SageMaker As variáveis de ambiente específicas da IA têm precedência e substituirão todas as variáveis com os mesmos nomes. Por exemplo, a SageMaker IA fornece automaticamente variáveis de ambiente prefixadas com `AWS_` e `SAGEMAKER_` para garantir a integração adequada com AWS os serviços e a funcionalidade da SageMaker IA. Veja a seguir alguns exemplos de variáveis de ambiente SageMaker específicas de IA:
+ `AWS_ACCOUNT_ID`
+ `AWS_REGION`
+ `AWS_DEFAULT_REGION`
+ `AWS_CONTAINER_CREDENTIALS_RELATIVE_URI`
+ `SAGEMAKER_SPACE_NAME`
+ `SAGEMAKER_APP_TYPE`
## Especificações para o usuário e o sistema de arquivos
+ `WorkingDirectory`: O volume do Amazon EBS do seu espaço está montado no caminho `/home/sagemaker-user`. Não é possível mudar o caminho de montagem. Use a instrução `WORKDIR` para definir o diretório de trabalho da sua imagem como uma pasta em `/home/sagemaker-user`.
+ `UID`: O ID do usuário do contêiner do Docker. UID=1000 é um valor compatível. É possível adicionar acesso sudo aos seus usuários. Eles IDs são remapeados para evitar que um processo em execução no contêiner tenha mais privilégios do que o necessário.
+ `GID`: O ID do grupo do contêiner do Docker. GID=100 é um valor compatível. É possível adicionar acesso sudo aos seus usuários. Eles IDs são remapeados para evitar que um processo em execução no contêiner tenha mais privilégios do que o necessário.
+ Diretórios de metadados — Os `/opt/ml` diretórios `/opt/.sagemakerinternal` e que são usados pelo. AWS O arquivo de metadados em `/opt/ml` contém metadados sobre recursos como `DomainId`.
Use o seguinte comando para mostrar o conteúdo do sistema de arquivos:
```
cat /opt/ml/metadata/resource-metadata.json
```
+ Diretórios de registro: `/var/log/studio` são reservados para os diretórios de suas aplicações e as extensões correspondentes. Recomendamos que você não use essas pastas para criar a imagem.
## Verificação de integridade e URL de aplicações
A verificação de integridade e o URL dependem das aplicações. Escolha o link a seguir associado à aplicação para a qual você está criando a imagem.
+ [Verificação de integridade e URL de aplicações](code-editor-custom-images.md#code-editor-custom-images-app-healthcheck) para o Editor de Código
+ [Verificação de integridade e URL de aplicações](studio-updated-jl-admin-guide-custom-images.md#studio-updated-jl-admin-guide-custom-images-app-healthcheck) para JupyterLab
## Exemplos de Dockerfile
Para ver exemplos de Dockerfile que atendam aos requisitos nesta página e às necessidades específicas de sua aplicação, acesse os exemplos de Dockerfile na seção da respectiva aplicação. As opções a seguir incluem aplicativos Amazon SageMaker Studio.
+ [Exemplos de Dockerfile](code-editor-custom-images.md#code-editor-custom-images-dockerfile-templates) para o Editor de Código
+ [Exemplos de Dockerfile](studio-updated-jl-admin-guide-custom-images.md#studio-updated-jl-custom-images-dockerfile-templates)para JupyterLab
**nota**
Se você estiver trazendo sua própria imagem para o SageMaker Unified Studio, precisará seguir as [especificações do Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) no Guia do *usuário do Amazon SageMaker Unified Studio*.
`Dockerfile`exemplos do SageMaker Unified Studio podem ser encontrados no [exemplo do Dockerfile no Guia do](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) *usuário do Amazon SageMaker Unified Studio*.
# Como trazer sua própria imagem
As páginas a seguir fornecerão instruções sobre trazer sua própria imagem personalizada. Os pré-requisitos a seguir devem ser atendidos para continuar.
## Pré-requisitos
Você precisará preencher os seguintes pré-requisitos para trazer sua própria imagem para a Amazon AI. SageMaker
+ Configure a aplicação do Docker. Para ter mais informações, consulte [Get started](https://docs.docker.com/get-started/) na *documentação do Docker*.
+ Instale o mais recente AWS CLI seguindo as etapas em [Introdução ao AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html) no *Guia do AWS Command Line Interface usuário da versão 2*.
+ Permissões de acesso ao serviço Amazon Elastic Container Registry (Amazon ECR). Para ter mais informações, consulte [Amazon ECR Managed Policies](https://docs.aws.amazon.com/AmazonECR/latest/userguide/ecr_managed_policies.html) no *Guia do usuário do Amazon ECR*.
+ Uma AWS Identity and Access Management função que tem a [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política anexada.
**Topics**
+ [Pré-requisitos](#studio-updated-byoi-how-to-prerequisites)
+ [Criar uma imagem personalizada e enviá-la ao Amazon ECR](studio-updated-byoi-how-to-prepare-image.md)
+ [Anexar imagem personalizada ao seu domínio](studio-updated-byoi-how-to-attach-to-domain.md)
+ [Atualizar a configuração do contêiner](studio-updated-byoi-how-to-container-configuration.md)
# Criar uma imagem personalizada e enviá-la ao Amazon ECR
Esta página fornece instruções sobre como criar um Dockerfile local, criar a imagem do contêiner e adicioná-la ao Amazon Elastic Container Registry (Amazon ECR).
**nota**
Nos exemplos a seguir, as tags não são especificadas e a tag `latest` é aplicada por padrão. Se quiser especificar uma tag, você precisará acrescentar `:tag` ao final dos nomes das imagens. Para ter mais informações, consulte [docker image tag](https://docs.docker.com/reference/cli/docker/image/tag/) na *documentação do Docker*.
**Topics**
+ [Criar um Dockerfile local e a imagem do contêiner](#studio-updated-byoi-how-to-create-local-dockerfile)
+ [Adicionar uma imagem do Docker ao Amazon ECR](#studio-updated-byoi-add-container-image)
## Criar um Dockerfile local e a imagem do contêiner
Use as instruções a seguir para criar um Dockerfile com o software e as dependências que você deseja.
**Como criar o Dockerfile**
1. Primeiro, defina suas variáveis para os AWS CLI comandos a seguir.
```
LOCAL_IMAGE_NAME=local-image-name
```
`local-image-name` é o nome da imagem do contêiner em seu dispositivo local, que você define aqui.
1. Crie um documento baseado em texto, chamado `Dockerfile`, que atenda às especificações em [Especificações de imagem personalizadas](studio-updated-byoi-specs.md).
Exemplos do `Dockerfile` de aplicações compatíveis podem ser encontrados em [Exemplos de Dockerfile](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
**nota**
Se você estiver trazendo sua própria imagem para o SageMaker Unified Studio, precisará seguir as [especificações do Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) no Guia do *usuário do Amazon SageMaker Unified Studio*.
`Dockerfile`exemplos do SageMaker Unified Studio podem ser encontrados no [exemplo do Dockerfile no Guia do](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) *usuário do Amazon SageMaker Unified Studio*.
1. No mesmo diretório que contém seu `Dockerfile`, crie a imagem do Docker usando o comando a seguir. O ponto (`.`) especifica que o `Dockerfile` deve estar no contexto do comando de compilação.
```
docker build -t ${LOCAL_IMAGE_NAME} .
```
Depois que a compilação for concluída, você poderá listar as informações da imagem do contêiner com o comando a seguir.
```
docker images
```
1. (Opcional) É possível testar sua imagem usando o comando a seguir.
```
docker run -it ${LOCAL_IMAGE_NAME}
```
Na saída, você perceberá que seu servidor está sendo executado em um URL, como `http://127.0.0.1:8888/...`. Você pode testar a imagem copiando o URL no navegador.
Se isso não funcionar, talvez seja necessário incluir `-p port:port` no comando docker run. Essa opção associa a porta exposta no contêiner à porta no sistema de host. Para saber mais sobre a execução do Docker, consulte [Running containers](https://docs.docker.com/engine/containers/run/) na *documentação do Docker*.
Depois de verificar se o servidor está funcionando, você pode interrompê-lo e desligar todos os kernels antes de continuar. As instruções podem ser visualizadas na saída.
## Adicionar uma imagem do Docker ao Amazon ECR
Use as etapas a seguir para adicionar uma imagem de contêiner do Docker ao Amazon ECR.
+ Crie um repositório do Amazon ECR.
+ Faça login no seu registro padrão.
+ Empurre a imagem para o repositório do Amazon ECR.
**nota**
O repositório Amazon ECR deve estar no mesmo domínio Região da AWS ao qual você está anexando a imagem.
**Como criar e envia uma imagem de contêiner ao Amazon ECR**
1. Primeiro, defina suas variáveis para os AWS CLI comandos a seguir.
```
ACCOUNT_ID=account-id
REGION=aws-region
ECR_REPO_NAME=ecr-repository-name
```
+ `account-id` é o ID de sua conta. Você pode encontrar isso no canto superior direito de qualquer página AWS do console. Por exemplo, o [console SageMaker AI](https://console.aws.amazon.com/sagemaker).
+ `aws-region`é o Região da AWS do seu domínio Amazon SageMaker AI. Você pode encontrar isso no canto superior direito de qualquer página AWS do console.
+ `ecr-repository-name` é o nome do seu repositório do Amazon Elastic Container Registry, que você define aqui. Para visualizar seus repositórios do Amazon ECR, consulte [Console do Amazon ECR](https://console.aws.amazon.com/ecr).
1. Faça login no Amazon ECR e entre no Docker.
```
aws ecr get-login-password \
--region ${REGION} | \
docker login \
--username AWS \
--password-stdin ${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com
```
Se a autenticação for bem-sucedida, você receberá uma mensagem de login bem-sucedido.
**Importante**
Se você receber um erro, talvez seja necessário instalar ou atualizar para a versão mais recente da AWS CLI. Para obter mais informações, consulte [Instalar a AWS Command Line Interface](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html) no *Guia do usuário da AWS Command Line Interface *.
1. Marque a imagem em um formato compatível com o Amazon ECR para enviá-la ao repositório.
```
docker tag \
${LOCAL_IMAGE_NAME} \
${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com/${ECR_REPO_NAME}
```
1. Crie um repositório do Amazon ECR usando a AWS CLI. Para criar o repositório usando o console do Amazon ECR, consulte [Creating an Amazon ECR private repository to store images](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--region ${REGION} \
--repository-name ${ECR_REPO_NAME}
```
1. Envie a imagem por push ao seu repositório do Amazon ECR. Você também pode atribuir uma tag à imagem do Docker.
```
docker push ${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com/${ECR_REPO_NAME}
```
Depois que a imagem for adicionada com êxito ao repositório do Amazon ECR, você poderá visualizá-la no [console do Amazon ECR](https://console.aws.amazon.com/ecr).
# Anexar imagem personalizada ao seu domínio
Esta página contém instruções sobre como anexar uma imagem personalizada ao seu domínio. Use o procedimento a seguir para usar o console do Amazon SageMaker AI para navegar até seu domínio e iniciar o processo de **anexar imagem**.
As instruções a seguir pressupõem que você tenha enviado uma imagem para um repositório Amazon ECR no mesmo que seu Região da AWS domínio. Se ainda não fez feito isso, consulte [Criar uma imagem personalizada e enviá-la ao Amazon ECR](studio-updated-byoi-how-to-prepare-image.md).
Ao escolher anexar uma imagem, há duas opções:
+ Anexar uma **nova imagem**: essa opção criará uma imagem e uma versão de imagem em seu armazenamento de imagens de SageMaker IA e, em seguida, as anexará ao seu domínio.
**nota**
Se você estiver continuando o processo de BYOI, em [Criar uma imagem personalizada e enviá-la ao Amazon ECR](studio-updated-byoi-how-to-prepare-image.md), use a opção **Nova imagem**.
+ Anexar uma **imagem existente**: se você já criou a imagem personalizada pretendida no armazenamento de imagens de SageMaker IA, use essa opção. Esta opção anexa uma imagem personalizada existente ao seu domínio. Para ver suas imagens personalizadas no armazenamento de imagens de SageMaker IA, consulte[Visualizar detalhes da imagem personalizada (console)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
------
#### [ New image ]
**Como anexar uma nova imagem ao seu domínio**
1. Abra o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. Expanda a seção **Configurações do administrador**, se ainda não tiver feito isso.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista **Domínios**, selecione o domínio ao qual deseja anexar a imagem.
**nota**
Se você estiver anexando a imagem a um projeto do SageMaker Unified Studio e precisar de esclarecimentos sobre qual domínio usar, consulte [Exibir os detalhes do domínio de SageMaker IA associados ao seu](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain) projeto.
1. Abra a página de **Ambiente**.
1. Na seção **Imagens personalizadas para aplicações pessoais do Studio**, escolha **Anexar imagem**.
1. Em **Origem da imagem**, escolha **Imagem existente**.
1. Inclua o URI da imagem do Amazon ECR. O formato é o seguinte.
```
account-id.dkr.ecr.aws-region.amazonaws.com/repository-name:tag
```
1. Para obter o URI da imagem do Amazon ECR, navegue até a página [Repositórios privados do Amazon ECR](https://console.aws.amazon.com/ecr/private-registry/repositories).
1. Escolha o link do nome do repositório.
1. Escolha o ícone de **copiar URI** que corresponde à versão da sua imagem (**Etiqueta da imagem**).
1. Siga o restante das instruções para anexar sua imagem personalizada.
**nota**
Verifique se você está usando o tipo de aplicação consistente com o seu `Dockerfile`. Para obter mais informações, consulte [Exemplos de Dockerfile](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
Depois que a imagem for anexada com êxito ao seu domínio, você poderá visualizá-la na guia **Ambiente**.
------
#### [ Existing image ]
**Como anexar uma imagem existente ao seu domínio**
1. Abra o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. Expanda a seção **Configurações do administrador**, se ainda não tiver feito isso.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista **Domínios**, selecione o domínio ao qual deseja anexar a imagem.
**nota**
Se você estiver anexando a imagem a um projeto do SageMaker Unified Studio e precisar de esclarecimentos sobre qual domínio usar, consulte [Exibir os detalhes do domínio de SageMaker IA associados ao seu](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain) projeto.
1. Abra a página de **Ambiente**.
1. Na seção **Imagens personalizadas para aplicações pessoais do Studio**, escolha **Anexar imagem**.
1. Em **Origem da imagem**, escolha **Imagem existente**.
1. Escolha uma imagem existente e uma versão de imagem no armazenamento de imagens de SageMaker IA.
Se você não conseguir visualizar a versão da imagem, talvez seja necessário criar uma versão da imagem. Para obter mais informações, consulte [Visualizar detalhes da imagem personalizada (console)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
1. Siga o restante das instruções para anexar sua imagem personalizada.
**nota**
Verifique se você está usando o tipo de aplicação consistente com o seu `Dockerfile`. Para obter mais informações, consulte [Exemplos de Dockerfile](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
Depois que a imagem for anexada com êxito ao seu domínio, você poderá visualizá-la na guia **Ambiente**.
------
Depois que sua imagem for anexada com êxito ao seu domínio, os usuários do domínio poderão escolhê-la para a aplicação deles. Para obter mais informações, consulte [Iniciar uma imagem personalizada no Studio](studio-updated-byoi-how-to-launch.md).
**nota**
Se você anexou uma imagem personalizada ao seu projeto do SageMaker Unified Studio, precisará iniciar o aplicativo de dentro do SageMaker Unified Studio. Para obter mais informações, consulte [Inicie sua imagem personalizada](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-launch-custom-image.html) no *Guia do usuário do Amazon SageMaker Unified Studio*.
# Atualizar a configuração do contêiner
Você pode trazer imagens do Docker personalizadas para seus fluxos de trabalho de machine learning. Um aspecto fundamental da personalização dessas imagens é definir as configurações do contêiner (ou [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html)). A página a seguir apresenta um exemplo de como definir sua `ContainerConfig`.
Um ponto de entrada é o comando ou script executado quando o contêiner é iniciado. Os pontos de entrada personalizados permitem configurar seu ambiente, inicializar serviços ou executar quaisquer configurações necessárias antes da inicialização da aplicação.
Este exemplo fornece instruções sobre como configurar um ponto de entrada personalizado para seu JupyterLab aplicativo usando o. AWS CLI Este exemplo pressupõe que você já tenha criado uma imagem e um domínio personalizados. Para instruções, consulte [Anexar imagem personalizada ao seu domínio](studio-updated-byoi-how-to-attach-to-domain.md).
1. Primeiro, defina suas variáveis para os AWS CLI comandos a seguir.
```
APP_IMAGE_CONFIG_NAME=app-image-config-name
ENTRYPOINT_FILE=entrypoint-file-name
ENV_KEY=environment-key
ENV_VALUE=environment-value
REGION=aws-region
DOMAIN_ID=domain-id
IMAGE_NAME=custom-image-name
IMAGE_VERSION=custom-image-version
```
+ `app-image-config-name` é o nome da configuração da imagem da aplicação.
+ `entrypoint-file-name` é o nome do script do ponto de entrada do contêiner. Por exemplo, .`entrypoint.sh`
+ `environment-key` é o nome de sua variável de ambiente.
+ `environment-value` é o valor atribuído à variável de ambiente.
+ `aws-region`é o Região da AWS do seu domínio Amazon SageMaker AI. Você pode encontrar isso no canto superior direito de qualquer página AWS do console.
+ `domain-id` é o ID do seu domínio. Para visualizar seus domínios, consulte [Visualizar domínios](domain-view.md).
+ `custom-image-name` é o nome da imagem personalizada. Para visualizar os detalhes da imagem personalizada, consulte [Visualizar detalhes da imagem personalizada (console)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
Se você seguiu as instruções em [Anexar imagem personalizada ao seu domínio](studio-updated-byoi-how-to-attach-to-domain.md), é recomendável usar o mesmo nome de imagem usado nesse processo.
+ `custom-image-version` é o número da versão da imagem personalizada. Ele deve ser um número inteiro, representando a versão da sua imagem. Para visualizar os detalhes da imagem personalizada, consulte [Visualizar detalhes da imagem personalizada (console)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
1. Usar a API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html) para criar uma configuração de imagem.
```
aws sagemaker create-app-image-config \
--region ${REGION} \
--app-image-config-name "${APP_IMAGE_CONFIG_NAME}" \
--jupyter-lab-app-image-config "ContainerConfig = {
ContainerEntrypoint = "${ENTRYPOINT_FILE}",
ContainerEnvironmentVariables = {
"${ENV_KEY}"="${ENV_VALUE}"
}
}"
```
1. Use a API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html) para atualizar as configurações padrão do seu domínio. Isso anexará a imagem personalizada e a configuração da imagem da aplicação.
```
aws sagemaker update-domain \
--region ${REGION} \
--domain-id "${DOMAIN_ID}" \
--default-user-settings "{
\"JupyterLabAppSettings\": {
\"CustomImages\": [
{
\"ImageName\": \"${IMAGE_NAME}\",
\"ImageVersionNumber\": ${IMAGE_VERSION},
\"AppImageConfigName\": \"${APP_IMAGE_CONFIG_NAME}\"
}
]
}
}"
```
# Iniciar uma imagem personalizada no Studio
Depois de anexar uma imagem personalizada ao seu domínio Amazon SageMaker AI, a imagem fica disponível para os usuários no domínio. Use as instruções a seguir para iniciar uma aplicação com a imagem personalizada.
**nota**
Se você anexou uma imagem personalizada ao seu projeto do SageMaker Unified Studio, precisará iniciar o aplicativo de dentro do SageMaker Unified Studio. Para obter mais informações, consulte [Inicie sua imagem personalizada](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-launch-custom-image.html) no *Guia do usuário do Amazon SageMaker Unified Studio*.
1. Inicie o Amazon SageMaker Studio. Para instruções, consulte [Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Se ainda não tiver feito isso, expanda a seção **Aplicações**.
1. Na seção **Aplicações**, escolha a aplicação. Se você não vir a aplicação disponível, isso significa que ela pode estar oculta para você. Nesse caso, entre em contato com o administrador.
1. Para criar um espaço, escolha **\$1 Criar *application* espaço** e siga as instruções para criar o espaço.
Para escolher um espaço existente, selecione o nome do link do espaço que você deseja abrir.
1. Em **Imagem**, escolha a imagem que você deseja usar.
Se o menu suspenso **Imagem** não estiver disponível, talvez seja necessário interromper o espaço. Escolha **Interromper espaço** para fazer isso.
1. Defina as configurações do espaço e escolha **Executar espaço**.
# Visualizar detalhes da imagem personalizada
A página a seguir fornece instruções sobre como visualizar os detalhes de sua imagem personalizada no armazenamento de imagens de SageMaker IA.
## Visualizar detalhes da imagem personalizada (console)
Veja a seguir instruções sobre como visualizar suas imagens personalizadas usando o console SageMaker AI. Nesta seção, você pode visualizar e editar os detalhes da imagem.
**Visualizar imagens personalizadas (console)**
1. Abra o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. Expanda a seção **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Imagens**.
1. Na lista **Imagens personalizadas**, selecione o hiperlink do nome da imagem.
## Visualizar detalhes da imagem personalizada (AWS CLI)
A seção a seguir mostra um exemplo de como visualizar suas imagens personalizadas usando a AWS CLI.
```
aws sagemaker list-images \
--region aws-region
```
# Acelere a inicialização de contêineres com o SOCI
[A indexação SOCI (Seekable Open Container Initiative) permite o carregamento lento de imagens personalizadas de contêineres no Amazon Unified Studio ou [SageMaker Estúdio Amazon](studio-updated.md) no Amazon Unified Studio. SageMaker ](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/what-is-sagemaker-unified-studio.html) O SOCI reduz significativamente os tempos de inicialização em aproximadamente 30 a 70% para seus contêineres personalizados[Traga sua própria imagem (BYOI)](studio-updated-byoi.md). A melhoria da latência varia dependendo do tamanho da imagem, da disponibilidade da instância de hospedagem e de outras dependências do aplicativo. O SOCI cria um índice que permite que os contêineres sejam iniciados somente com os componentes necessários, obtendo arquivos adicionais sob demanda, conforme necessário.
O SOCI aborda tempos lentos de inicialização de contêineres, que interrompem os fluxos de trabalho iterativos de desenvolvimento de aprendizado de máquina (ML) para imagens personalizadas. À medida que as cargas de trabalho de ML se tornam mais complexas, as imagens de contêiner aumentam, criando atrasos na inicialização que prejudicam os ciclos de desenvolvimento.
**Topics**
+ [Benefícios principais](#soci-indexing-key-benefits)
+ [Como funciona a indexação SOCI](#soci-indexing-how-works)
+ [Componentes da arquitetura](#soci-indexing-architecture-components)
+ [Ferramentas compatíveis](#soci-indexing-supported-tools)
+ [Permissões para indexação SOCI](soci-indexing-setup.md)
+ [Crie índices SOCI com nerdctl e exemplo de SOCI CLI](soci-indexing-example-create-indexes.md)
+ [Integre imagens indexadas pelo SOC com o exemplo do Studio](soci-indexing-example-integrate-studio.md)
## Benefícios principais
+ **Ciclos de iteração mais rápidos**: reduza a inicialização do contêiner, dependendo dos tipos de imagem e instância
+ **Otimização universal**: estenda os benefícios de desempenho a todos os contêineres BYOI personalizados no Studio
## Como funciona a indexação SOCI
O SOCI cria um índice de metadados especializado que mapeia a estrutura interna de arquivos da imagem do contêiner. Esse índice permite o acesso a arquivos individuais sem baixar a imagem inteira. O índice SOCI é armazenado como um artefato compatível com OCI (Open Container Initiative) no [Amazon](https://docs.aws.amazon.com/AmazonECR/latest/userguide/what-is-ecr.html) ECR e vinculado à imagem original do contêiner, preservando os resumos da imagem e a validade da assinatura.
Quando você inicia um contêiner no Studio, o sistema usa o índice SOCI para identificar e baixar somente os arquivos essenciais necessários para a inicialização. Componentes adicionais são obtidos paralelamente conforme seu aplicativo os exige.
## Componentes da arquitetura
+ **Imagem original do contêiner**: Seu contêiner básico armazenado no Amazon ECR
+ **Artefato de índice SOCI**: metadados mapeando a estrutura de arquivos da sua imagem
+ **Manifesto do OCI Image Index**: vincula sua imagem original e o índice SOCI
+ Tempo de **execução do contêiner Finch**: permite a integração de carregamento lento com o Studio
## Ferramentas compatíveis
| Ferramenta | Integração |
| --- | --- |
| nerdctl | Requer configuração de containerd |
| CLI do Finch | Suporte nativo ao SOCI |
| Docker \$1 SOCI CLI | Ferramentas adicionais necessárias |
**Topics**
+ [Benefícios principais](#soci-indexing-key-benefits)
+ [Como funciona a indexação SOCI](#soci-indexing-how-works)
+ [Componentes da arquitetura](#soci-indexing-architecture-components)
+ [Ferramentas compatíveis](#soci-indexing-supported-tools)
+ [Permissões para indexação SOCI](soci-indexing-setup.md)
+ [Crie índices SOCI com nerdctl e exemplo de SOCI CLI](soci-indexing-example-create-indexes.md)
+ [Integre imagens indexadas pelo SOC com o exemplo do Studio](soci-indexing-example-integrate-studio.md)
# Permissões para indexação SOCI
[Crie índices SOCI para suas imagens de contêiner e armazene-os no Amazon ECR antes de usar a indexação SOCI com [SageMaker Estúdio Amazon](studio-updated.md) o Amazon Unified Studio. SageMaker ](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/what-is-sagemaker-unified-studio.html)
**Topics**
+ [Pré-requisitos](#soci-indexing-setup-prerequisites)
+ [Permissões obrigatórias do IAM](#soci-indexing-setup-iam-permissions)
## Pré-requisitos
+ Conta da AWS com uma função [AWS Identity and Access Management](https://docs.aws.amazon.com/IAM/latest/UserGuide/getting-started.html)(IAM) com permissões para gerenciar
+ [Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/what-is-ecr.html)
+ [ SageMaker Inteligência Artificial da Amazon](https://docs.aws.amazon.com/sagemaker/latest/dg/gs.html)
+ [Repositórios privados do Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/Repositories.html) para armazenar suas imagens de contêineres
+ [AWS CLI v2.0\$1](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html) configurado com as credenciais apropriadas
+ As seguintes ferramentas de contêiner:
+ Obrigatório: [soci-snapshotter](https://github.com/awslabs/soci-snapshotter)
+ Opções:
+ [nerdctl](https://github.com/containerd/nerdctl)
+ [tentilhão](https://github.com/runfinch/finch)
## Permissões obrigatórias do IAM
Sua função do IAM precisa de permissões para:
+ Crie e gerencie recursos de SageMaker IA (domínios, imagens, configurações de aplicativos).
+ Você pode usar a política [SageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html) AWS gerenciada. Para obter mais detalhes sobre a permissão, consulte[AWS política gerenciada: AmazonSageMakerFullAccess](security-iam-awsmanpol.md#security-iam-awsmanpol-AmazonSageMakerFullAccess).
+ [Permissões do IAM para enviar uma imagem para um repositório privado do Amazon ECR.](https://docs.aws.amazon.com/AmazonECR/latest/userguide/image-push-iam.html)
# Crie índices SOCI com nerdctl e exemplo de SOCI CLI
A página a seguir fornece um exemplo de como criar índices SOCI com nerdctl e SOCI CLI.
**Exemplo de criação de índices SOCI**
1. Primeiro, defina suas variáveis para os AWS CLI comandos a seguir. Veja a seguir um exemplo de como configurar suas variáveis.
```
ACCOUNT_ID="111122223333"
REGION="us-east-1"
REPOSITORY_NAME="repository-name"
ORIGINAL_IMAGE_TAG="original-image-tag"
SOCI_IMAGE_TAG="soci-indexed-image-tag"
```
Definições de variáveis:
+ `ACCOUNT_ID`é o seu Conta da AWS ID
+ `REGION`é o Região da AWS do seu registro privado do Amazon ECR
+ `REPOSITORY_NAME`é o nome do seu registro privado do Amazon ECR
+ `ORIGINAL_IMAGE_TAG`é a etiqueta da sua imagem original
+ `SOCI_IMAGE_TAG`é a tag da sua imagem indexada pelo SOC
1. Instale as ferramentas necessárias:
```
# Install SOCI CLI, containerd, and nerdctl
sudo yum install soci-snapshotter
sudo yum install containerd jq
sudo systemctl start soci-snapshotter
sudo systemctl restart containerd
sudo yum install nerdctl
```
1. Defina suas variáveis de registro:
```
REGISTRY_USER=AWS
REGISTRY="$ACCOUNT_ID.dkr.ecr.$REGION.amazonaws.com"
```
1. Exporte sua região e autentique-se no Amazon ECR:
```
export AWS_REGION=$REGION
REGISTRY_PASSWORD=$(/usr/local/bin/aws ecr get-login-password --region $AWS_REGION)
echo $REGISTRY_PASSWORD | sudo nerdctl login -u $REGISTRY_USER --password-stdin $REGISTRY
```
1. Puxe a imagem original do contêiner:
```
sudo nerdctl pull $REGISTRY/$REPOSITORY_NAME:$ORIGINAL_IMAGE_TAG
```
1. Crie o índice SOCI:
```
sudo nerdctl image convert --soci $REGISTRY/$REPOSITORY_NAME:$ORIGINAL_IMAGE_TAG $REGISTRY/$REPOSITORY_NAME:$SOCI_IMAGE_TAG
```
1. Envie a imagem indexada pelo Soci-Index:
```
sudo nerdctl push --platform linux/amd64 $REGISTRY/$REPOSITORY_NAME:$SOCI_IMAGE_TAG
```
Esse processo cria dois artefatos para a imagem original do contêiner em seu repositório ECR:
+ Índice SOCI - Metadados que permitem carregamento lento
+ Manifesto do Image Index - Manifesto compatível com OCI
# Integre imagens indexadas pelo SOC com o exemplo do Studio
Você deve referenciar a tag de imagem indexada por SOC para usar imagens indexadas por SOC no Studio, em vez da tag de imagem do contêiner original. Use a tag que você especificou durante o processo de conversão do SOCI (por exemplo, `SOCI_IMAGE_TAG` no[Crie índices SOCI com nerdctl e exemplo de SOCI CLI](soci-indexing-example-create-indexes.md)).
**Exemplo de integração de imagens indexadas pelo SOC**
1. Primeiro, defina suas variáveis para os AWS CLI comandos a seguir. Veja a seguir um exemplo de como configurar suas variáveis.
```
ACCOUNT_ID="111122223333"
REGION="us-east-1"
IMAGE_NAME="sagemaker-image-name"
IMAGE_CONFIG_NAME="sagemaker-image-config-name"
ROLE_ARN="your-role-arn"
DOMAIN_ID="domain-id"
SOCI_IMAGE_TAG="soci-indexed-image-tag"
```
Definições de variáveis:
+ `ACCOUNT_ID`é o seu Conta da AWS ID
+ `REGION`é o Região da AWS do seu registro privado do Amazon ECR
+ `IMAGE_NAME`é o nome da sua SageMaker imagem
+ `IMAGE_CONFIG_NAME`é o nome da configuração da sua SageMaker imagem
+ `ROLE_ARN`é o ARN da sua função de execução com as permissões listadas em Permissões [obrigatórias](soci-indexing-setup.md#soci-indexing-setup-iam-permissions) do IAM
+ `DOMAIN_ID`é o [ID do domínio](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view.html)
**nota**
Se você estiver anexando a imagem a um projeto do SageMaker Unified Studio e precisar de esclarecimentos sobre qual domínio usar, consulte [Exibir os detalhes do domínio de SageMaker IA associados ao seu](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain) projeto.
+ `SOCI_IMAGE_TAG`é a tag da sua imagem indexada pelo SOC
1. Exporte sua região:
```
export AWS_REGION=$REGION
```
1. Crie uma SageMaker imagem:
```
aws sagemaker create-image \
--image-name "$IMAGE_NAME" \
--role-arn "$ROLE_ARN"
```
1. Crie uma versão de SageMaker imagem usando seu URI de índice SOCI:
```
IMAGE_INDEX_URI="$ACCOUNT_ID.dkr.ecr.$REGION.amazonaws.com/$IMAGE_NAME:$SOCI_IMAGE_TAG"
aws sagemaker create-image-version \
--image-name "$IMAGE_NAME" \
--base-image "$IMAGE_INDEX_URI"
```
1. Crie uma configuração de imagem do aplicativo e atualize seu domínio do Amazon SageMaker AI para incluir a imagem personalizada do seu aplicativo. Você pode fazer isso para o Code Editor, com base em Code-OSS, Visual Studio Code - Open Source (Code Editor) e aplicativos. JupyterLab Escolha a opção de aplicativo abaixo para ver as etapas.
------
#### [ Code Editor ]
Crie uma configuração de imagem do aplicativo para o Code Editor:
```
aws sagemaker create-app-image-config \
--app-image-config-name "$IMAGE_CONFIG_NAME" \
--code-editor-app-image-config '{ "FileSystemConfig": { "MountPath": "/home/sagemaker-user", "DefaultUid": 1000, "DefaultGid": 100 } }'
```
Atualize seu domínio Amazon SageMaker AI para incluir a imagem personalizada para o Code Editor:
```
aws sagemaker update-domain \
--domain-id "$DOMAIN_ID" \
--default-user-settings '{
"CodeEditorAppSettings": {
"CustomImages": [{
"ImageName": "$IMAGE_NAME",
"AppImageConfigName": "$IMAGE_CONFIG_NAME"
}]
}
}'
```
------
#### [ JupyterLab ]
Crie uma configuração de imagem do aplicativo para JupyterLab:
```
aws sagemaker create-app-image-config \
--app-image-config-name "$IMAGE_CONFIG_NAME" \
--jupyter-lab-app-image-config '{ "FileSystemConfig": { "MountPath": "/home/sagemaker-user", "DefaultUid": 1000, "DefaultGid": 100 } }'
```
Atualize seu domínio Amazon SageMaker AI para incluir a imagem personalizada para JupyterLab:
```
aws sagemaker update-domain \
--domain-id "$DOMAIN_ID" \
--default-user-settings '{
"JupyterLabAppSettings": {
"CustomImages": [{
"ImageName": "$IMAGE_NAME",
"AppImageConfigName": "$IMAGE_CONFIG_NAME"
}]
}
}'
```
------
1. Depois de atualizar seu domínio para incluir sua imagem personalizada, você pode criar um aplicativo no Studio usando sua imagem personalizada. Quando você [Iniciar uma imagem personalizada no Studio](studio-updated-byoi-how-to-launch.md) garante que está usando sua imagem personalizada.
# Desanexar imagens personalizadas e limpar os recursos correspondentes
A página a seguir fornece instruções sobre como separar suas imagens personalizadas e limpar os recursos relacionados usando o console Amazon SageMaker AI ou o AWS Command Line Interface (AWS CLI).
**Importante**
Primeiro, você deve separar sua imagem personalizada do seu domínio antes de excluí-la do armazenamento de imagens de SageMaker IA. Do contrário, você poderá receber erros ao visualizar as informações do seu domínio ou anexar novas imagens personalizadas ao seu domínio.
Se você estiver recebendo um erro ao carregar uma imagem personalizada, consulte [Falha ao carregar a imagem personalizada](studio-updated-troubleshooting.md#studio-updated-troubleshooting-custom-image).
## Desanexar e excluir imagens personalizadas (console)
Veja a seguir instruções sobre como separar suas imagens personalizadas da SageMaker IA e limpar seus recursos de imagem personalizada usando o console.
**Desanexar uma imagem personalizada do seu domínio**
1. Abra o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. Expanda a seção **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. A partir da lista de **Domínios**, escolha um domínio.
1. Abra a página de **Ambiente**.
1. Em **Imagens personalizadas para aplicações pessoais do Studio**, marque as caixas de seleção das imagens que você deseja desanexar.
1. Escolha **Desassociar**.
1. Siga as instruções para desanexar.
**Excluir uma imagem personalizada**
1. Abra o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. Expanda a seção **Configurações do administrador**, se ainda não tiver feito isso.
1. Em **Configurações do administrador**, escolha **Imagens**.
1. Na lista de **Imagens**, selecione a imagem que você gostaria de excluir.
1. Escolha **Excluir**.
1. Siga as instruções para excluir sua imagem e todas as suas versões da SageMaker IA.
**Excluir imagens personalizadas e o repositório do Amazon ECR**
**Importante**
Isso também excluirá todos os artefatos e imagens do contêiner nesse repositório.
1. Abra o [console do Amazon ECR](https://console.aws.amazon.com/ecr).
1. Se ainda não tiver feito isso, expanda o painel de navegação à esquerda.
1. Em **Registro privado**, escolha **Repositórios**.
1. Selecione os repositórios que você deseja excluir.
1. Escolha **Excluir**.
1. Siga as instruções para excluir.
## Desanexar e excluir imagens personalizadas (AWS CLI)
A seção a seguir mostra um exemplo de como desanexar suas imagens personalizadas usando a AWS CLI.
1. Primeiro, defina suas variáveis para os AWS CLI comandos a seguir.
```
ACCOUNT_ID=account-id
REGION=aws-region
APP_IMAGE_CONFIG=app-image-config
SAGEMAKER_IMAGE_NAME=custom-image-name
```
+ `aws-region`é o Região da AWS do seu domínio Amazon SageMaker AI. Você pode encontrar isso no canto superior direito de qualquer página AWS do console.
+ `app-image-config` é o nome da configuração da imagem da aplicação. Use o AWS CLI comando a seguir para listar as configurações de imagem do aplicativo em seu Região da AWS.
```
aws sagemaker list-app-image-configs \
--region ${REGION}
```
+ `custom-image-name` é o nome da imagem personalizada. Use o AWS CLI comando a seguir para listar as imagens em seu Região da AWS.
```
aws sagemaker list-images \
--region ${REGION}
```
1. Para desanexar a imagem e as versões correspondentes em seu domínio usando estas instruções, você precisará criar ou atualizar um arquivo json de configuração de domínio.
**nota**
Se você seguiu as instruções em [Anexar imagem personalizada ao seu domínio](studio-updated-byoi-how-to-attach-to-domain.md), talvez tenha atualizado seu domínio usando o arquivo chamado `update-domain.json`.
Se você não tiver esse arquivo, poderá criar outro arquivo json em vez desse.
Crie um arquivo chamado `update-domain.json`, que você usará para atualizar seu domínio.
1. Para excluir as imagens personalizadas, você precisará deixar `CustomImages` em branco, desta forma `"CustomImages": []`. Escolha uma das opções a seguir para ver exemplos de arquivos de configuração para o Editor de código ou JupyterLab.
------
#### [ Code Editor: update domain configuration file example ]
Um exemplo de arquivo de configuração para o Editor de Código, usando [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CodeEditorAppSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CodeEditorAppSettings.html).
```
{
"DomainId": "domain-id",
"DefaultUserSettings": {
"CodeEditorAppSettings": {
"CustomImages": [
]
}
}
}
```
------
#### [ JupyterLab: update domain configuration file example ]
Um exemplo de arquivo de configuração para JupyterLab, usando [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_JupyterLabAppSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_JupyterLabAppSettings.html).
```
{
"DomainId": "domain-id",
"DefaultUserSettings": {
"JupyterLabAppSettings": {
"CustomImages": [
]
}
}
}
```
------
`domain-id` é o ID do domínio ao qual sua imagem está anexada. Use o comando a seguir para listar seus domínios.
```
aws sagemaker list-domains \
--region ${REGION}
```
1. Salve o arquivo.
1. Chame o [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) AWS CLI usando o arquivo de configuração do domínio de atualização,. `update-domain.json`
**nota**
Para atualizar as imagens personalizadas, é necessário excluir todas as **aplicações** em seu domínio. **Não** é necessário excluir perfis de usuário ou espaços compartilhados. Para obter instruções sobre como excluir aplicações, selecione uma das opções a seguir.
Se você quiser usar o console de SageMaker IA, consulte[Encerre os recursos de SageMaker IA em seu domínio](sm-console-domain-resources-shut-down.md).
Se você quiser usar o AWS CLI, use as etapas 1 a 3 do[Excluir um domínio do Amazon SageMaker AI (AWS CLI)](gs-studio-delete-domain.md#gs-studio-delete-domain-cli).
```
aws sagemaker update-domain \
--cli-input-json file://update-domain.json \
--region ${REGION}
```
1. Exclua a configuração da imagem da aplicação.
```
aws sagemaker delete-app-image-config \
--app-image-config-name ${APP_IMAGE_CONFIG}
```
1. Exclua a imagem personalizada. Isso também exclui todas as versões da imagem. Mas não exclui a imagem do contêiner do Amazon ECR e as versões correspondentes. Para isso, use as etapas opcionais abaixo.
```
aws sagemaker delete-image \
--image-name ${SAGEMAKER_IMAGE_NAME}
```
1. (Opcional) Exclua seus recursos do Amazon ECR. A lista a seguir fornece AWS CLI comandos para obter suas informações de recursos do Amazon ECR para as etapas abaixo.
1. Defina suas variáveis para os AWS CLI comandos a seguir.
```
ECR_REPO_NAME=ecr-repository-name
```
`ecr-repository-name` é o nome do seu repositório do Amazon Elastic Container Registry.
Para listar os detalhes dos seus repositórios, use o comando a seguir.
```
aws ecr describe-repositories \
--region ${REGION}
```
1. Exclua seu repositório do Amazon ECR.
**Importante**
Isso também excluirá todos os artefatos e imagens do contêiner nesse repositório.
```
aws ecr delete-repository \
--repository-name ${ECR_REPO_NAME} \
--force \
--region ${REGION}
```
# Configurações de ciclo de vida no Amazon Studio SageMaker
As configurações de ciclo de vida (LCCs) são scripts que administradores e usuários podem usar para automatizar a personalização dos seguintes aplicativos em seu ambiente Amazon Studio: SageMaker
+ SageMaker IA da Amazon JupyterLab
+ Editor de Código, baseado em Code-OSS, Visual Studio Code - código aberto
+ Studio Classic
+ Instância de caderno
A personalização da sua aplicação inclui:
+ Como instalar pacotes personalizados
+ Configurar extensões
+ Como pré-carregar conjuntos de dados
+ Como configurar repositórios de código-fonte
Usuários criam e anexam configurações de ciclo de vida integradas aos seus próprios perfis de usuário. Administradores criam e anexam configurações de ciclo de vida padrão ou integradas no nível do domínio, do espaço ou do perfil do usuário.
**Importante**
O Amazon SageMaker Studio primeiro executa a configuração de ciclo de vida integrada e, em seguida, executa a LCC padrão. A Amazon SageMaker AI não resolverá conflitos de pacotes entre o usuário e o administrador LCCs. Por exemplo, se a LCC integrada instalar o `python3.11` e a LCC padrão instalar o `python3.12`, o Studio instala o `python3.12`.
# Criar e anexar configurações de ciclo de vida
Você pode criar e anexar configurações de ciclo de vida usando o ou o. Console de gerenciamento da AWS AWS Command Line Interface
**Topics**
+ [Criar e anexar configurações de ciclo de vida (AWS CLI)](#studio-lifecycle-configurations-create-cli)
+ [Crie e anexe as configurações de ciclo de vida (console)](#studio-lifecycle-configurations-create-console)
## Criar e anexar configurações de ciclo de vida (AWS CLI)
**Importante**
Antes de começar, conclua os seguintes pré-requisitos:
Atualize o AWS CLI seguindo as etapas em [Instalando a AWS CLI versão atual](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
Em sua máquina local, execute `aws configure` e forneça suas AWS credenciais. Para obter informações sobre AWS credenciais, consulte [Entendendo e obtendo suas AWS credenciais](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
Integre-se ao domínio Amazon SageMaker AI. Para obter informações conceituais, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md). Para obter um guia de início rápido, consulte [Use a configuração rápida para Amazon SageMaker AI](onboard-quick-start.md).
O procedimento a seguir mostra como criar um script de configuração do ciclo de vida que é impresso `Hello World` no Editor de código ou. JupyterLab
**nota**
Cada script pode ter até **16.384 caracteres**.
1. De sua máquina local, crie um arquivo denominado `my-script.sh` com o seguinte conteúdo:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Use o seguinte para converter seu arquivo `my-script.sh` no formato base64: Esse requisito evita erros que ocorram devido à codificação de espaçamento e quebra de linha.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Crie uma configuração de ciclo de vida para uso com o Studio. O comando a seguir cria uma configuração de ciclo de vida que é executada quando você inicia uma aplicação associada `JupyterLab`.
```
aws sagemaker create-studio-lifecycle-config \
--region region \
--studio-lifecycle-config-name my-lcc \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type application-type
```
Para o `studio-lifecycle-config-app-type`, especifique *CodeEditor* ou *JupyterLab*.
**nota**
O ARN da configuração de ciclo de vida recém-criada que é retornada. Esse ARN é necessário para anexar a configuração do ciclo de vida à sua aplicação.
Para garantir que os ambientes sejam personalizados de forma adequada, usuários e administradores usam comandos diferentes para anexar configurações de ciclo de vida.
### Anexe as configurações padrão de ciclo de vida (administrador)
Para anexar a configuração do ciclo de vida, é necessário atualizar as `UserSettings` do seu domínio ou perfil de usuário. Os scripts de configuração do ciclo de vida associados no nível do domínio são herdados por todos os usuários. No entanto, os scripts associados no nível do perfil do usuário têm como escopo um usuário específico.
Você pode criar um novo perfil de usuário, domínio ou espaço com uma configuração de ciclo de vida anexada usando os seguintes comandos:
+ [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html)
+ [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html)
+ [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html)
O comando a seguir cria um perfil de usuário com uma configuração de ciclo de vida para um JupyterLab aplicativo. Adicione o ARN da configuração do ciclo de vida da etapa anterior às `JupyterLabAppSettings` do usuário. É possível adicionar várias configurações de ciclo de vida ao mesmo tempo usando uma lista de configurações de ciclo de vida. Quando um usuário inicia um JupyterLab aplicativo com o AWS CLI, ele pode especificar uma configuração de ciclo de vida em vez de usar a configuração padrão. A configuração de ciclo de vida que o usuário passa deve pertencer à lista de configurações de ciclo de vida em `JupyterLabAppSettings`.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
O comando a seguir cria um perfil de usuário com uma configuração de ciclo de vida para aplicação do Editor de código. Adicione o ARN da configuração do ciclo de vida da etapa anterior às `CodeEditorAppSettings` do usuário. É possível adicionar várias configurações de ciclo de vida ao mesmo tempo usando uma lista de configurações de ciclo de vida. Quando um usuário inicia uma aplicação do Editor de código com a AWS CLI, ele pode passar uma configuração de ciclo de vida em vez de usar a padrão. A configuração de ciclo de vida que o usuário passa deve pertencer à lista de configurações de ciclo de vida em `CodeEditorAppSettings`.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"CodeEditorAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
### Anexe as configurações de ciclo de vida integradas (usuário)
Para anexar a configuração do ciclo de vida, você deve atualizar as `UserSettings` do perfil de usuário.
O comando a seguir cria um perfil de usuário com uma configuração de ciclo de vida para um JupyterLab aplicativo. Adicione o ARN da configuração do ciclo de vida da etapa anterior às `JupyterLabAppSettings` do seu perfil de usuário.
```
# Update a UserProfile
aws sagemaker update-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"BuiltInLifecycleConfigArn":"lifecycle-configuration-arn"
}
}'
```
O comando a seguir cria um perfil de usuário com uma configuração de ciclo de vida para aplicação do Editor de código. Adicione o ARN da configuração do ciclo de vida da etapa anterior às `CodeEditorAppSettings` do seu perfil de usuário. A configuração de ciclo de vida que o usuário passa deve pertencer à lista de configurações de ciclo de vida em `CodeEditorAppSettings`.
```
# Update a UserProfile
aws sagemaker update-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"CodeEditorAppSettings": {
"BuiltInLifecycleConfigArn":"lifecycle-configuration-arn"
}
}'
```
## Crie e anexe as configurações de ciclo de vida (console)
Para criar e anexar configurações de ciclo de vida no Console de gerenciamento da AWS, navegue até o [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker) e escolha **Configurações de ciclo** de vida na navegação à esquerda. O console guiará você pelo processo de criação da configuração do ciclo de vida.
# Configuração de depuração do ciclo de vida
Os tópicos a seguir mostram como obter informações e depurar as configurações de ciclo de vida.
**Topics**
+ [Verifique o processo de configuração do ciclo de vida a partir do Logs CloudWatch](#studio-lifecycle-configurations-debug-logs)
+ [Tempo limite de configuração do ciclo de vida](studio-lifecycle-configurations-debug-timeout.md)
## Verifique o processo de configuração do ciclo de vida a partir do Logs CloudWatch
Somente as configurações de ciclo de vida registram `STDOUT` e `STDERR`.
`STDOUT` é a saída padrão para scripts bash. Você pode escrever em `STDERR` anexando `>&2` ao final de um comando bash. Por exemplo, .`echo 'hello'>&2`
Os registros de suas configurações de ciclo de vida são publicados para você usando Conta da AWS a Amazon. CloudWatch Esses registros podem ser encontrados no fluxo de `/aws/sagemaker/studio` registros no CloudWatch console.
1. Abra o CloudWatch console em [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Selecione **Logs** no painel de navegação esquerdo. No menu suspenso, selecione **Grupo de logs**.
1. Na página **Grupos de logs**, pesquise por `aws/sagemaker/studio`.
1. Selecione o grupo de logs .
1. Na página **Detalhes do grupo de logs**, escolha a guia **Fluxo de logs**.
1. Para encontrar os logs de uma aplicação e espaço específicos, pesquise os fluxos de logs usando o seguinte formato:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Por exemplo, para encontrar os logs de configuração de ciclo de vida para o ID de domínio `d-m85lcu8vbqmz`, o nome de espaço `i-sonic-js` e o tipo de aplicação `JupyterLab`, use a seguinte string de pesquisa:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
1. Selecione o fluxo de logs anexado com `LifecycleConfigOnStart` para ver os logs de execução do script.
# Tempo limite de configuração do ciclo de vida
Há um limite de tempo limite de configuração do ciclo de vida de 5 minutos. Se um script de configuração do ciclo de vida demorar mais de 5 minutos para ser executado, será gerado um erro.
Para resolver esse erro, certifique-se de que seu script de configuração do ciclo de vida seja concluído em menos de 5 minutos.
Para ajudar a diminuir o runtime de scripts, tente o seguinte:
+ Reduza as etapas desnecessárias. Por exemplo, limite os ambientes conda nos quais instalar pacotes grandes.
+ Execute tarefas em processos paralelos.
+ Use o comando nohup em seu script para garantir que os sinais de desligamento sejam ignorados para que o script seja executado sem interrupção.
# Espaços do Amazon SageMaker Studio
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da experiência atualizada do Studio. Para obter informações sobre como usar a aplicação do Studio Classic, consulte [Amazon SageMaker Studio clássico](studio.md).
Os espaços são usados para gerenciar as necessidades de armazenamento e recursos de alguns aplicativos do Amazon SageMaker Studio. Cada espaço é composto por vários recursos e pode ser privado ou compartilhado. Cada espaço tem uma relação 1:1 com uma instância de uma aplicação. Cada aplicação compatível criado tem seu próprio espaço. As seguintes aplicações no Studio são executadas em espaços:
+ [Editor de código no Amazon SageMaker Studio](code-editor.md)
+ [SageMaker JupyterLab](studio-updated-jl.md)
+ [Amazon SageMaker Studio clássico](studio.md)
Um espaço é composto pelos seguintes recursos:
+ Um volume de armazenamento.
+ Para o Studio Classic, o espaço é conectado ao volume compartilhado do Amazon Elastic File System (Amazon EFS) do domínio.
+ Para outras aplicações, um volume distinto do Amazon Elastic Block Store (Amazon EBS) é anexado ao espaço. Todos as aplicações recebem seu próprio volume do Amazon EBS. As aplicações não têm acesso ao volume Amazon EBS de outras aplicações. Para mais informações sobre volumes do Amazon EBS, consulte [Amazon Elastic Block Store (Amazon EBS)](https://docs.aws.amazon.com//AWSEC2/latest/UserGuide/AmazonEBS.html).
+ O tipo de aplicação do espaço.
+ A imagem na qual a aplicação se baseia.
Os espaços podem ser privados ou compartilhados:
+ **Privado**: os espaços privados têm como escopo um único usuário em um domínio. Espaços privados não podem ser compartilhados com outros usuários. Todos as aplicações que oferecem apoio a espaços também oferecem apoio a espaços privados.
+ **Compartilhado**: os espaços compartilhados podem ser acessados por todos os usuários no domínio. Para obter mais informações sobre espaços compartilhados, consulte [Colaboração com espaços compartilhados](domain-space.md).
Espaços podem ser criados em domínios que usam a autenticação Centro de Identidade do AWS IAM ou AWS Identity and Access Management (IAM). As seções a seguir fornecem informações gerais sobre como acessar espaços. Para obter informações específicas sobre como criar e acessar um espaço, consulte a documentação do respectivo tipo de aplicação do espaço que você está criando.
Para obter informações sobre como visualizar, interromper ou excluir suas aplicações, instâncias ou espaços, consulte [Interromper e excluir aplicações e espaços em execução no Studio](studio-updated-running-stop.md).
**Topics**
+ [Lançar espaços](studio-updated-spaces-access.md)
+ [Colaboração com espaços compartilhados](domain-space.md)
# Lançar espaços
As seções a seguir fornecem informações sobre como acessar espaços em um domínio. Espaços podem ser acessados de uma das seguintes maneiras:
+ do console Amazon SageMaker AI
+ do Studio;
+ usando o AWS CLI
## Acessando espaços a partir do console Amazon SageMaker AI
**Para acessar espaços a partir do console Amazon SageMaker AI**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de domínios, selecione o domínio que contém os espaços.
1. Na página de **Detalhes do domínio**, selecione a aba **Gerenciamento de espaço**. Para obter mais informações sobre gerenciamento de espaços, consulte [Colaboração com espaços compartilhados](domain-space.md).
1. Na lista de espaços desse domínio, selecione o espaço a ser lançado.
1. Escolha **Lançar Studio** para o espaço que você deseja iniciar.
## Acessar espaços do Studio
Siga estas etapas para acessar espaços do Studio para um tipo específico de aplicação.
**Acessar espaços do Studio**
1. Abra o Studio seguindo as etapas em [Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Selecione o tipo de aplicação com espaços que você deseja acessar.
## Acessando espaços usando o AWS CLI
As seções a seguir mostram como acessar um espaço a partir do AWS Command Line Interface (AWS CLI). Os procedimentos são para domínios que usam AWS Identity and Access Management (IAM) ou Centro de Identidade do AWS IAM autenticação.
### Autenticação do IAM
O procedimento a seguir apresenta uma visão geral sobre como acessar um espaço usando a autenticação do IAM por meio da AWS CLI.
1. Crie um URL de domínio pré-assinado especificando o nome do espaço que você deseja acessar.
```
aws \
--region region \
sagemaker \
create-presigned-domain-url \
--domain-id domain-id \
--user-profile-name user-profile-name \
--space-name space-name
```
1. Navegue até o URL.
### Acessar um espaço na autenticação do Centro de Identidade do IAM
O procedimento a seguir descreve como acessar um espaço usando a autenticação do Centro de Identidade do IAM por meio da AWS CLI.
1. Use o comando a seguir para retornar o URL associado ao espaço.
```
aws \
--region region \
sagemaker \
describe-space \
--domain-id domain-id \
--space-name space-name
```
1. Anexe o respectivo parâmetro de redirecionamento para o tipo de aplicação ao URL a ser federado por meio do Centro de Identidade do IAM. Para obter mais informações sobre os parâmetros de redirecionamento, consulte [describe-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/describe-space.html).
1. Navegue até o URL a ser federado por meio do Centro de Identidade do IAM.
# Colaboração com espaços compartilhados
Um espaço compartilhado do Amazon SageMaker Studio Classic consiste em um JupyterServer aplicativo e um diretório compartilhados. Um espaço JupyterLab compartilhado consiste em um JupyterLab aplicativo compartilhado e um diretório compartilhado no Amazon SageMaker Studio. Todos os perfis de usuário em um domínio têm acesso a todos os espaços compartilhados no domínio. O Amazon SageMaker AI define automaticamente o escopo dos recursos em um espaço compartilhado dentro do contexto do aplicativo Amazon SageMaker Studio Classic que você executa nesse espaço compartilhado. Os recursos em um espaço compartilhado incluem cadernos, arquivos, experimentos e modelos. Use espaços compartilhados para colaborar com outros usuários em tempo real pelos atributos, como marcação automática, coedição de cadernos em tempo real e personalização.
Os espaços compartilhados estão disponíveis em:
+ Amazon SageMaker Studio clássico
+ JupyterLab
Um espaço compartilhado do Studio Classic só é compatível com o Studio Classic e KernelGateway os aplicativos. Um espaço compartilhado só suporta o uso de um Amazon Resource Name (ARN) de JupyterLab 3 imagens. Para obter mais informações, consulte [JupyterLab Controle de versão no Amazon Studio Classic SageMaker](studio-jl.md).
O Amazon SageMaker AI marca automaticamente todos os recursos de SageMaker IA que você cria dentro do escopo de um espaço compartilhado. Você pode usar essas tags para monitorar custos e planejar orçamentos usando ferramentas como AWS Budgets.
Um espaço compartilhado usa as mesmas configurações de VPC do domínio em que foi criado.
**nota**
Espaços compartilhados não suportam o uso de clusters entre contas do Amazon SageMaker Data Wrangler ou do Amazon EMR.
**Marcação automática**
Todos os recursos criados em um espaço compartilhado são automaticamente marcados com uma tag ARN de domínio e uma tag ARN de espaço compartilhado. A tag ARN do domínio é baseada na ID do domínio, enquanto a tag ARN do espaço compartilhado é baseada no nome do espaço compartilhado.
Você pode usar essas tags para monitorar o AWS CloudTrail uso. Para obter mais informações, consulte [Registrar chamadas de SageMaker API da Amazon com AWS CloudTrail](https://docs.aws.amazon.com//sagemaker/latest/dg/logging-using-cloudtrail.html).
Você também pode usar essas tags para monitorar custos com Gerenciamento de Faturamento e Custos da AWS. Para obter mais informações, consulte [Uso de tags de alocação de AWS custos](https://docs.aws.amazon.com//awsaccountbilling/latest/aboutv2/cost-alloc-tags.html).
**Coedição de cadernos em tempo real**
Um dos principais benefícios de um espaço compartilhado é que ele facilita a colaboração entre os membros do espaço compartilhado em tempo real. Os usuários que colaboram em um espaço de trabalho têm acesso a uma aplicação compartilhada do Studio Classic, onde podem acessar, ler e editar seus cadernos em tempo real. A colaboração em tempo real só é suportada para JupyterServer aplicativos dentro de um espaço compartilhado.
Usuários com acesso a um espaço compartilhado podem simultaneamente abrir, visualizar, editar e executar cadernos Jupyter no Studio Classic compartilhado ou no JupyterLab aplicativo compartilhado nesse espaço.
O caderno indica cada usuário de coedição com um cursor diferente que mostra o nome do perfil do usuário. Embora vários usuários possam ver o mesmo caderno, a coedição é mais adequada para pequenos grupos de dois a cinco usuários.
Para monitorar as alterações feitas por vários usuários, recomendamos usar o controle de versão integrado baseado em Git do Studio Classic.
**JupyterServer 2**
Para usar espaços compartilhados no Studio Classic, é obrigatório o Jupyter Server versão 2. Certas JupyterLab extensões e pacotes podem fazer o downgrade forçado do Jupyter Server para a versão 1. Isso impede o uso do espaço compartilhado. Execute o seguinte no prompt de comando para alterar o número da versão e continuar usando espaços compartilhados:
```
conda activate studio
pip install jupyter-server==2.0.0rc3
```
**Personalize um espaço compartilhado**
Para anexar uma configuração de ciclo de vida ou imagem personalizada a um espaço compartilhado, você deve usar a AWS CLI. Para obter mais informações sobre como criar e anexar configurações de ciclo de vida, consulte [Crie e associe uma configuração de ciclo de vida ao Amazon Studio Classic SageMaker](studio-lcc-create.md). Para obter mais informações sobre como criar e anexar imagens personalizadas, consulte [Imagens personalizadas no Amazon SageMaker Studio Classic](studio-byoi.md).
# Criar um espaço compartilhado
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
O tópico a seguir demonstra como criar um espaço compartilhado em um domínio existente da Amazon SageMaker AI. Se você criou seu domínio sem suporte para espaços compartilhados, você deve adicionar compatibilidade com espaços compartilhados ao seu domínio existente antes de criar um espaço compartilhado.
**Topics**
+ [Adicionar compatibilidade de espaço compartilhado a um domínio existente](#domain-space-add)
+ [Criar um espaço compartilhado](#domain-space-create-app)
## Adicionar compatibilidade de espaço compartilhado a um domínio existente
Você pode usar o console de SageMaker IA ou o AWS CLI para adicionar suporte para espaços compartilhados a um domínio existente. Se o domínio estiver usando acesso à rede `VPC only`, você só poderá adicionar compatibilidade com o espaço compartilhado usando a AWS CLI.
### Console
Conclua o procedimento a seguir para adicionar suporte aos espaços compartilhados do Studio Classic a um domínio existente a partir do console de SageMaker IA.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de Domínios, selecione o Domínio para o qual você deseja abrir a página de **Configurações de domínio**.
1. Na página **Detalhes do Domínio**, escolha a guia **Configurações do Domínio**.
1. Escolha **Editar**.
1. Em **Perfil de execução padrão do espaço**, defina um perfil do IAM que seja usado por padrão para todos os espaços compartilhados criados no domínio.
1. Escolha **Próximo**.
1. Escolha **Próximo**.
1. Escolha **Próximo**.
1. Selecione **Enviar**.
### AWS CLI
------
#### [ Studio Classic ]
Execute o comando a seguir no terminal da sua máquina local para adicionar configurações padrão de espaço compartilhado a um domínio a partir da AWS CLI. Se você estiver adicionando configurações padrão de espaço compartilhado a um domínio dentro de um Amazon VPC, você também deve incluir uma lista de grupos de segurança. Os espaços compartilhados do Studio Classic suportam apenas o uso de JupyterLab 3 imagens ARNs. Para obter mais informações, consulte [JupyterLab Controle de versão no Amazon Studio Classic SageMaker](studio-jl.md).
```
# Public Internet domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn,JupyterServerAppSettings={DefaultResourceSpec={InstanceType=example-instance-type,SageMakerImageArn=sagemaker-image-arn}}"
# VPCOnly domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn,JupyterServerAppSettings={DefaultResourceSpec={InstanceType=system,SageMakerImageArn=sagemaker-image-arn}},SecurityGroups=[security-groups]"
```
Use o comando a seguir para verificar se as configurações padrão de espaço compartilhado foram atualizadas.
```
aws --region region \
sagemaker describe-domain \
--domain-id domain-id
```
------
#### [ JupyterLab ]
Execute o comando a seguir no terminal da sua máquina local para adicionar configurações padrão de espaço compartilhado a um domínio a partir da AWS CLI. Se você estiver adicionando configurações padrão de espaço compartilhado a um domínio dentro de um Amazon VPC, você também deve incluir uma lista de grupos de segurança. Os espaços compartilhados do Studio Classic suportam apenas o uso de JupyterLab 4 imagens ARNs. Para obter mais informações, consulte [JupyterLab Controle de versão no Amazon Studio Classic SageMaker](studio-jl.md).
```
# Public Internet domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn", JupyterLabAppSettings={DefaultResourceSpec={InstanceType=example-instance-type,SageMakerImageArn=sagemaker-image-arn}}"
# VPCOnly domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn, SecurityGroups=[security-groups]"
```
Use o comando a seguir para verificar se as configurações padrão de espaço compartilhado foram atualizadas.
```
aws --region region \
sagemaker describe-domain \
--domain-id domain-id
```
------
## Criar um espaço compartilhado
As seções a seguir demonstram como criar um espaço compartilhado a partir do console Amazon SageMaker AI, do Amazon SageMaker Studio ou do AWS CLI.
### Criar a partir do Studio
Use os processos a seguir para criar um espaço compartilhado em um domínio a partir do Studio.
------
#### [ Studio Classic ]
1. Navegue até o Studio seguindo as etapas em[Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Na interface do usuário do Studio, encontre o painel de aplicações no lado esquerdo.
1. No painel de aplicações, selecione **Studio Classic**.
1. Selecione **Criar espaço no Studio Classic**
1. Na janela pop-up, insira um nome para o espaço.
1. Selecione **Criar espaço**.
------
#### [ JupyterLab ]
1. Navegue até o Studio seguindo as etapas em[Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Na interface do usuário do Studio, encontre o painel de aplicações no lado esquerdo.
1. No painel de aplicativos, selecione **JupyterLab**.
1. Escolha **Criar JupyterLab espaço**
1. Na janela pop-up, insira um nome para o espaço.
1. Selecione **Criar espaço**.
------
### Criar a partir do console
Conclua o procedimento a seguir para criar um espaço compartilhado em um domínio a partir do console de SageMaker IA.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de domínios, selecione o domínio para o qual você quer criar um espaço compartilhado.
1. Na página de **Detalhes do domínio**, escolha a aba **Gerenciamento de espaço**.
1. Escolha **Criar**.
1. Insira um nome para seu espaço compartilhado. Os nomes de espaços compartilhados em um domínio devem ser exclusivos. O perfil de execução do espaço compartilhado é definida como o perfil de execução do IAM do domínio.
### Crie a partir de AWS CLI
Esta seção mostra como criar um espaço compartilhado a partir da AWS CLI.
Você não pode definir a função de execução de um espaço compartilhado ao criá-lo ou atualizá-lo. O só `DefaultDomainExecRole` pode ser definido ao criar ou atualizar o domínio. Os espaços compartilhados suportam apenas o uso de JupyterLab 3 imagens. ARNs Para obter mais informações, consulte [JupyterLab Controle de versão no Amazon Studio Classic SageMaker](studio-jl.md).
Para criar um espaço compartilhado a partir do AWS CLI, execute um dos comandos a seguir no terminal da sua máquina local.
------
#### [ Studio Classic ]
```
aws --region region \
sagemaker create-space \
--domain-id domain-id \
--space-name space-name \
--space-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "sagemaker-image-arn",
"InstanceType": "system"
}
}
}'
```
------
#### [ JupyterLab ]
```
aws --region region \
sagemaker create-space \
--domain-id domain-id \
--space-name space-name \
--ownership-settings "{\"OwnerUserProfileName\": \"user-profile-name\"}" \
--space-sharing-settings "{\"SharingType\": \"Shared\"}" \
--space-settings "{\"AppType\": \"JupyterLab\"}"
```
------
# Obter informações sobre espaços compartilhados
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Este guia mostra como acessar uma lista de espaços compartilhados em um domínio do Amazon SageMaker AI com o console Amazon SageMaker AI, o Amazon SageMaker Studio ou AWS CLI o. Também mostra como visualizar detalhes de um espaço compartilhado a partir da AWS CLI.
**Topics**
+ [Listar espaços compartilhados](#domain-space-list-spaces)
+ [Visualizar detalhes do espaço compartilhado](#domain-space-describe)
## Listar espaços compartilhados
O tópico a seguir descreve como visualizar uma lista de espaços compartilhados em um domínio a partir do console SageMaker AI ou do AWS CLI.
### Listar espaços compartilhados a partir do Studio
Conclua o procedimento a seguir para visualizar uma lista de espaços compartilhados em um domínio a partir do Studio.
1. Navegue até o Studio seguindo as etapas em[Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Na interface do usuário do Studio, encontre o painel de aplicações no lado esquerdo.
1. No painel de aplicativos, selecione **Studio Classic** ou **JupyterLab**. Você pode visualizar os espaços que estão sendo usados para executar o tipo de aplicação.
### Listar espaços compartilhados a partir do console
Conclua o procedimento a seguir para ver uma lista dos espaços compartilhados em um domínio no console do SageMaker AI.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de domínios, selecione o domínio cuja lista de espaços compartilhados você deseja visualizar.
1. Na página de **Detalhes do domínio**, escolha a aba **Gerenciamento de espaço**.
### Listar espaços compartilhados do AWS CLI
Para listar os espaços compartilhados em um domínio a partir do AWS CLI, execute o seguinte comando no terminal da sua máquina local.
```
aws --region region \
sagemaker list-spaces \
--domain-id domain-id
```
## Visualizar detalhes do espaço compartilhado
A seção a seguir descreve como visualizar os detalhes do espaço compartilhado no console SageMaker AI, no Studio ou no AWS CLI.
### Visualizar detalhes de espaços compartilhados a partir do Studio
Conclua o procedimento a seguir para visualizar os detalhes de espaços compartilhados em um domínio a partir do Studio.
1. Navegue até o Studio seguindo as etapas em[Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Na interface do usuário do Studio, encontre o painel de aplicações no lado esquerdo.
1. No painel de aplicativos, selecione **Studio Classic** ou **JupyterLab**. Você pode visualizar os espaços que estão executando a aplicação.
1. Selecione o nome do espaço deseja visualizar.
### Visualizar detalhes do espaço compartilhado a partir do console
Você pode ver os detalhes de um espaço compartilhado no console do SageMaker AI usando o procedimento a seguir.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de domínios, selecione o domínio cuja lista de espaços compartilhados você deseja visualizar.
1. Na página de **Detalhes do domínio**, escolha a aba **Gerenciamento de espaço**.
1. Selecione o nome do espaço para abrir uma nova página que lista os detalhes sobre o espaço compartilhado.
### Veja os detalhes do espaço compartilhado no AWS CLI
Para ver os detalhes de um espaço compartilhado no AWS CLI, execute o seguinte comando no terminal da sua máquina local.
```
aws --region region \
sagemaker describe-space \
--domain-id domain-id \
--space-name space-name
```
# Editar um espaço compartilhado
Você só pode editar os detalhes de um Amazon SageMaker Studio Classic ou espaço JupyterLab compartilhado usando AWS CLI o. Você não pode editar os detalhes de um espaço compartilhado no console Amazon SageMaker AI. Você só pode atualizar os atributos do espaço de trabalho quando não há aplicações em execução no espaço compartilhado.
------
#### [ Studio Classic ]
Para editar os detalhes de um espaço compartilhado do Studio Classic a partir do AWS CLI, execute o comando a seguir no terminal da sua máquina local. Os espaços compartilhados suportam apenas o uso de JupyterLab 3 imagens. ARNs Para obter mais informações, consulte [JupyterLab Controle de versão no Amazon Studio Classic SageMaker](studio-jl.md).
```
aws --region region \
sagemaker update-space \
--domain-id domain-id \
--space-name space-name \
--query SpaceArn --output text \
--space-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "sagemaker-image-arn",
"InstanceType": "system"
}
}
}'
```
------
#### [ JupyterLab ]
Para editar os detalhes de um espaço JupyterLab compartilhado a partir do AWS CLI, execute o comando a seguir no terminal da sua máquina local. Os espaços compartilhados suportam apenas o uso de JupyterLab 4 imagens. ARNs Para obter mais informações, consulte [SageMaker JupyterLab](studio-updated-jl.md).
```
aws --region region \
sagemaker update-space \
--domain-id domain-id \
--space-name space-name \
--space-settings "{
"SpaceStorageSettings": {
"EbsStorageSettings": {
"EbsVolumeSizeInGb":100
}
}
}
}"
```
------
# Excluir um espaço compartilhado
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O tópico a seguir mostra como excluir um espaço compartilhado do Amazon SageMaker Studio Classic do console Amazon SageMaker AI ou AWS CLI. Um espaço compartilhado só pode ser excluído se não tiver aplicações em execução.
**Topics**
+ [Console](#domain-space-delete-console)
+ [AWS CLI](#domain-space-delete-cli)
## Console
Conclua o procedimento a seguir para excluir um espaço compartilhado no domínio Amazon SageMaker SageMaker AI do console de IA.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de domínios, selecione o domínio para o qual você quer criar um espaço compartilhado.
1. Na página de **Detalhes do domínio**, escolha a aba **Gerenciamento de espaço**.
1. Selecione o espaço compartilhado que você deseja excluir. O espaço compartilhado não deve conter nenhuma aplicação que não tenha falhado.
1. Escolha **Excluir**. Essa ação abre uma nova janela.
1. Escolha **Sim, excluir espaço**.
1. Digite *Excluir* no campo.
1. Escolha **Excluir espaço**.
## AWS CLI
Para excluir um espaço compartilhado do AWS CLI, execute o seguinte comando no terminal da sua máquina local.
```
aws --region region \
sagemaker delete-space \
--domain-id domain-id \
--space-name space-name
```
# Propagação de identidade confiável com o Studio
A propagação de identidade confiável é um Centro de Identidade do AWS IAM recurso que os administradores de AWS serviços conectados podem usar para conceder e auditar o acesso aos dados do serviço. O acesso a esses dados é baseado em atributos do usuário, como associações de grupo. Configurar a propagação de identidade confiável requer colaboração entre os administradores dos AWS serviços conectados e o administrador do IAM Identity Center. Para ter mais informações, consulte [Prerequisites and considerations](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html).
Os administradores do Amazon SageMaker Studio e do IAM Identity Center podem colaborar para conectar os serviços para uma propagação confiável de identidade. A propagação confiável de identidade atende às necessidades de autenticação corporativa em todos AWS os serviços, simplificando:
+ Uma auditoria aprimorada que monitora as ações de usuários específicos.
+ Gerenciamento de acesso para cargas de trabalho de ciência de dados e aprendizado de máquina por meio da integração com serviços compatíveis AWS
+ O atendimento de requisitos de conformidade em setores regulamentados.
O Studio oferece suporte à propagação confiável de identidade para fins de auditoria e controle de acesso com AWS serviços conectados. A propagação de identidade confiável no Studio não lida diretamente com decisões de autenticação ou autorização dentro do próprio Studio. Em vez disso, ele propaga informações de contexto de identidade para serviços compatíveis que podem usar essas informações para controle de acesso.
Quando você usa a propagação de identidade confiável com o Studio, sua identidade do IAM Identity Center se propaga para os AWS serviços conectados, criando permissões mais granulares e governança de segurança.
**Topics**
+ [Arquitetura e compatibilidade da propagação de identidade confiável](trustedidentitypropagation-compatibility.md)
+ [Configurar a propagação de identidade confiável para o Studio](trustedidentitypropagation-setup.md)
+ [Monitoramento e auditoria com CloudTrail](trustedidentitypropagation-auditing.md)
+ [Sessões de usuários em segundo plano](trustedidentitypropagation-user-background-sessions.md)
+ [Como se conectar a outros AWS serviços com a propagação de identidade confiável ativada](trustedidentitypropagation-connect-other.md)
# Arquitetura e compatibilidade da propagação de identidade confiável
A propagação de identidade confiável se integra ao Centro de Identidade do AWS IAM Amazon SageMaker Studio e a outros AWS serviços conectados para propagar o contexto de identidade dos usuários em todos os serviços. A página a seguir resume a arquitetura confiável de propagação de identidade e a compatibilidade com SageMaker a IA. Para uma visão geral abrangente de como a propagação de identidade confiável funciona AWS, consulte Visão geral da [propagação de identidade confiável](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overview.html).
Os principais componentes da arquitetura de propagação de identidade confiável incluem:
+ **Propagação de identidade confiável**: uma metodologia para propagar o contexto de identidade do usuário entre aplicações e serviços.
+ **Contexto de identidade**: informações sobre um usuário.
+ **Sessão de função IAM aprimorada** com identidade: as sessões de função aprimorada com identidade têm um contexto de identidade adicional que carrega um identificador de usuário para o AWS serviço que ele chama
+ ** AWS Serviços conectados**: outros AWS serviços que podem reconhecer o contexto de identidade que é propagado por meio da propagação de identidade confiável
A propagação confiável de identidade permite que AWS os serviços conectados tomem decisões de acesso com base na identidade do usuário. No Studio em si, os perfis do IAM são usados como portadores do contexto de identidade, não para tomar decisões de controle de acesso. O contexto de identidade é propagado para AWS serviços conectados, onde pode ser usado para fins de controle de acesso e auditoria. Consulte as [considerações sobre propagação de identidade confiável](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html#trustedidentitypropagation-considerations) para obter mais informações.
Quando você ativa a propagação de identidade confiável com o Studio e se autentica por meio do IAM Identity Center, SageMaker a IA:
+ Captura o contexto de identidade do usuário no Centro de Identidade do IAM.
+ Cria uma sessão de perfil do IAM aprimorada com identidade que inclui o contexto de identidade do usuário
+ Transmite a sessão de função IAM com identidade aprimorada para AWS serviços compatíveis quando o usuário acessa os recursos
+ Permite que AWS os serviços posteriores tomem decisões de acesso e registrem atividades com base na identidade do usuário
## Recursos de SageMaker IA compatíveis
A propagação de identidade confiável funciona com os seguintes recursos do Studio:
+ Espaços privados do [Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html) (JupyterLab e editor de código, baseado em Code-OSS, Visual Studio Code - Open Source)
**nota**
Quando o Studio é iniciado com a propagação de identidade confiável habilitada, ele usa seu contexto de identidade, bem como as permissões de perfil de execução. No entanto, os seguintes processos durante a configuração da instância usarão somente as permissões da função de execução, sem o contexto de identidade: Configuração do ciclo de vida Bring-Your-Own-Image, CloudWatch agente para encaminhamento de registros do usuário.
No momento, não é possível usar [acesso remoto](https://docs.aws.amazon.com/sagemaker/latest/dg/remote-access.html) com a propagação de identidade confiável.
Quando você usa operações de assumir função nos notebooks do Studio, as funções assumidas não propagam um contexto confiável de propagação de identidade. Somente a função de execução original mantém o contexto de identidade.
+ [SageMakerTreinamento](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html)
+ [SageMakerProcessamento](https://docs.aws.amazon.com/sagemaker/latest/dg/processing-job.html)
+ [SageMaker Hospedagem AI em tempo real](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints-options.html)
+ [SageMakerOleodutos](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-overview.html)
+ [SageMakerinferência em tempo real](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)
+ [SageMakerInferência assíncrona](https://docs.aws.amazon.com/sagemaker/latest/dg/async-inference.html)
+ [Gerenciados MLflow](https://docs.aws.amazon.com/sagemaker/latest/dg/mlflow.html)
## AWS Serviços compatíveis
A propagação de identidade confiável para o Amazon SageMaker Studio se integra a AWS serviços compatíveis, nos quais a propagação de identidade confiável está habilitada. Consulte os [casos de uso](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-integrations.html) para obter uma lista abrangente com exemplos de como habilitar a propagação de identidade confiável. Os serviços compatíveis de propagação de identidade confiável incluem os seguintes:
+ [Amazon Athena](https://docs.aws.amazon.com/athena/latest/ug/workgroups-identity-center.html)
+ [Amazon EMR no EC2](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-idc-start.html)
+ [EMR Sem Servidor](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-service-trusted-prop.html)
+ [AWS Lake Formation](https://docs.aws.amazon.com/lake-formation/latest/dg/identity-center-integration.html)
+ [API de dados do Amazon Redshift](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-trusted-identity-propagation.html)
+ Amazon S3 (por meio do recurso [Concessão de Acesso do Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants-get-started.html))
+ [Conexões do AWS Glue](https://docs.aws.amazon.com/glue/latest/dg/security-trusted-identity-propagation.html)
Quando a propagação de identidade confiável é habilitada com SageMaker IA, todos os outros AWS serviços com propagação de identidade confiável ativada são conectados. Uma vez conectados, eles reconhecem e usam o contexto de identidade do usuário para controle de acesso e auditoria.
## Suportado Regiões da AWS
O Studio permite usar a propagação de identidade confiável onde é possível usar o [Centro de Identidade do IAM](https://docs.aws.amazon.com/singlesignon/latest/userguide/regions.html) e o Studio com a autenticação do Centro de Identidade do IAM. O Studio oferece suporte à propagação de identidade confiável no seguinte: Regiões da AWS
+ af-south-1
+ ap-east-1
+ ap-northeast-1
+ ap-northeast-2
+ ap-northeast-3
+ ap-south-1
+ ap-southeast-1
+ ap-southeast-2
+ ap-southeast-3
+ ca-central-1
+ eu-central-1
+ eu-central-2
+ eu-north-1
+ eu-south-1
+ eu-west-1
+ eu-west-2
+ eu-west-3
+ il-central-1
+ me-south-1
+ sa-east-1
+ us-east-1
+ us-east-2
+ us-west-1
+ us-west-2
# Configurar a propagação de identidade confiável para o Studio
Configurar a propagação de identidade confiável para o Amazon SageMaker Studio exige que seu domínio do Amazon SageMaker AI tenha configurado o método de autenticação do IAM Identity Center. Esta seção orienta você a respeito das etapas e dos pré-requisitos necessários para habilitar e configurar a propagação de identidade confiável para seus usuários do Studio.
**Topics**
+ [Pré-requisitos](#trustedidentitypropagation-setup-prerequisites)
+ [Habilite a propagação de identidade confiável para seu domínio Amazon SageMaker AI](#trustedidentitypropagation-setup-enable)
+ [Configure sua função de execução de SageMaker IA](#trustedidentitypropagation-setup-permissions)
## Pré-requisitos
Antes de configurar a propagação de identidade confiável para SageMaker IA, configure seu IAM Identity Center usando as instruções a seguir.
**nota**
A Central de Identidade do IAM e seu domínio devem estar na mesma região.
+ [Pré-requisitos da propagação de identidade confiável do Centro de Identidade do IAM](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html#trustedidentitypropagation-prerequisites)
+ [Configurar o Centro de Identidade do IAM](https://docs.aws.amazon.com/singlesignon/latest/userguide/getting-started.html)
+ [Adicionar usuários ao diretório do Centro de Identidade do IAM](https://docs.aws.amazon.com/singlesignon/latest/userguide/addusers.html)
## Habilite a propagação de identidade confiável para seu domínio Amazon SageMaker AI
**Importante**
Você só pode habilitar a propagação de identidade confiável para domínios com o método de autenticação Centro de Identidade do AWS IAM configurado.
Seu IAM Identity Center e o domínio Amazon SageMaker AI devem estar no mesmo Região da AWS.
Use uma das opções a seguir para saber como habilitar a propagação de identidade confiável para um domínio novo ou existente.
------
#### [ New domain - console ]
**Habilite a propagação de identidade confiável para um novo domínio usando o console de SageMaker IA**
1. Abra o [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Navegue até **Domínios**.
1. [Crie um domínio personalizado](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-custom.html). O domínio deve ter o método de autenticação **Centro de Identidade do AWS IAM**configurado.
1. Na seção **Propagação de identidade confiável**, escolha **Habilitar a propagação de identidade confiável para todos os usuários desse domínio**.
1. Conclua o processo de criação personalizado.
------
#### [ Existing domain - console ]
**Habilite a propagação de identidade confiável para um domínio existente usando o console de SageMaker IA**
**nota**
Para que a propagação de identidade confiável funcione adequadamente após ser habilitada para um domínio existente, os usuários precisarão reiniciar suas sessões atuais do IAM Identity Center. Para fazer isso, você também pode:
Os usuários precisarão se desconectar e fazer login novamente em suas sessões existentes do IAM Identity Center
Os administradores podem [encerrar sessões ativas para seus usuários da força de trabalho](https://docs.aws.amazon.com/singlesignon/latest/userguide/end-active-sessions.html).
1. Abra o [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Navegue até **Domínios**.
1. Selecione o domínio existente. O domínio deve ter o método de autenticação **Centro de Identidade do AWS IAM**configurado.
1. Na guia **Configurações do domínio**, escolha **Editar** na seção **Autenticação e permissões**.
1. Escolha **Habilitar a propagação de identidade confiável para todos os usuários desse domínio**.
1. Preencha a configuração do domínio.
------
#### [ Existing domain - AWS CLI ]
Habilite a propagação de identidade confiável para um domínio existente usando o AWS CLI
**nota**
Para que a propagação de identidade confiável funcione adequadamente após ser habilitada para um domínio existente, os usuários precisarão reiniciar suas sessões atuais do IAM Identity Center. Para fazer isso, você também pode:
Os usuários precisarão se desconectar e fazer login novamente em suas sessões existentes do IAM Identity Center
Os administradores podem [encerrar sessões ativas para seus usuários da força de trabalho](https://docs.aws.amazon.com/singlesignon/latest/userguide/end-active-sessions.html).
```
aws sagemaker update-domain \
--region $REGION \
--domain-id $DOMAIN_ID \
--domain-settings "TrustedIdentityPropagationSettings={Status=ENABLED}"
```
+ `DOMAIN_ID`é o ID de domínio da Amazon SageMaker AI. Consulte [Exibir domínios](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view.html) para ter mais informações.
+ `REGION`é o Região da AWS do seu domínio Amazon SageMaker AI. Você pode encontrar isso no canto superior direito de qualquer página AWS do console.
------
## Configure sua função de execução de SageMaker IA
Para habilitar a propagação de identidade confiável para seus usuários do Studio, todas os perfis de propagação de identidade confiável precisam definir as permissões de contexto a seguir. Atualize a política de confiança para todos os perfis a fim de incluir as ações `sts:AssumeRole` e `sts:SetContext`. Use a política a seguir ao [atualizar sua política de confiança de perfil](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_update-role-trust-policy.html).
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
},
"Action": [
"sts:AssumeRole",
"sts:SetContext"
]
}
]
}
```
------
# Monitoramento e auditoria com CloudTrail
Com a propagação de identidade confiável ativada, AWS CloudTrail os registros incluem as informações de identidade do usuário específico que realizou uma ação, em vez de apenas a função do IAM. Isso fornece recursos aprimorados de auditoria para melhorar a conformidade e segurança.
Para ver as informações de identidade nos CloudTrail registros:
+ Abra o [console do CloudTrail ](https://console.aws.amazon.com/cloudtrail).
+ Selecione **Histórico de eventos** no painel de navegação à esquerda.
+ Escolha eventos de SageMaker IA e serviços relacionados.
+ Em **Registro de eventos**, localize a chave `onBehalfOf`. Ele contém a chave `userId` e outras informações de identificação do usuário que podem ser correlacionadas a um usuário específico do Centro de Identidade do IAM.
Consulte os [casos de CloudTrail uso do IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/sso-cloudtrail-use-cases.html) para obter mais informações.
# Sessões de usuários em segundo plano
As sessões de usuários em segundo plano continuam mesmo quando os usuários não estão mais ativos. Isso permite trabalhos de longa duração que podem continuar mesmo depois de o usuário se desconectar. Isso pode ser ativado por meio da propagação de identidade confiável da SageMaker IA. A página a seguir explica as opções de configuração e os comportamentos das sessões de usuários em segundo plano.
**nota**
As sessões de usuário ativas existentes não são afetadas quando a propagação de identidade confiável é habilitada. A duração padrão se aplica somente a sessões de novos usuários ou a sessões reiniciadas.
As sessões em segundo plano do usuário se aplicam a qualquer fluxo de trabalho de SageMaker IA de longa duração ou a trabalhos com estados persistentes. Isso inclui, mas não está limitado a, quaisquer recursos de SageMaker IA que mantenham o status de execução ou exijam monitoramento contínuo. Por exemplo, trabalhos de execução de SageMaker treinamento, processamento e pipelines.
**Topics**
+ [Configurar uma sessão de usuário em segundo plano](#configure-user-background-sessions)
+ [Duração padrão das sessões de usuários em segundo plano](#default-user-background-session-duration)
+ [Impacto da desabilitação da propagação de identidade confiável no Studio](#user-background-session-impact-disable-trustedidentitypropagation-studio)
+ [Impacto da desabilitação das sessões de usuários em segundo plano no console do Centro de Identidade do IAM](#user-background-session-impact-disable-trustedidentitypropagation-identity-center)
+ [Considerações sobre runtime](#user-background-session-runtime-considerations)
## Configurar uma sessão de usuário em segundo plano
Depois que a propagação de identidade confiável para o Amazon SageMaker Studio estiver habilitada, os limites de duração padrão poderão ser configurados por meio das [sessões em segundo plano do usuário no IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html).
## Duração padrão das sessões de usuários em segundo plano
Por padrão, todas as sessões de usuários em segundo plano têm um limite de duração de sete dias. Os administradores podem [modificar essa duração no console do Centro de Identidade do IAM](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html). Essa configuração se aplica no nível de instância do Centro de Identidade do IAM, afetando todas as aplicações do Centro de Identidade do IAM e domínios do Studio compatíveis nessa instância.
Quando a propagação de identidade confiável estiver ativada, os administradores no console de SageMaker IA encontrarão um banner com as seguintes informações:
+ O limite de duração das sessões de usuários em segundo plano.
+ Um link para o console do Centro de Identidade do IAM, onde os administradores podem alterar essa configuração.
+ A duração pode ser definida para qualquer valor, de 15 minutos a 90 dias.
Uma mensagem será exibida quando uma sessão de usuário em segundo plano expirar. Você pode usar o link para o console do Centro de Identidade do IAM para atualizar a duração.
## Impacto da desabilitação da propagação de identidade confiável no Studio
Se um administrador desabilitar a propagação de identidade confiável, depois de ativá-la inicialmente, no console do SageMaker AI:
+ Os trabalhos existentes continuarão sendo executados sem interrupção quando as sessões de usuários em segundo plano forem habilitadas.
+ Quando as sessões em segundo plano do usuário são desativadas, qualquer fluxo de trabalho de SageMaker IA de longa duração ou trabalho com estados persistentes passará a usar sessões interativas. Isso inclui, mas não está limitado a, quaisquer recursos de SageMaker IA que mantenham o status de execução ou exijam monitoramento contínuo. Por exemplo, trabalhos de SageMaker treinamento e processamento da Amazon.
+ Os usuários poderão reiniciar trabalhos expirados usando os pontos de verificação.
+ Os novos trabalhos serão executados com credenciais de perfil do IAM e não propagarão o contexto de identidade.
## Impacto da desabilitação das sessões de usuários em segundo plano no console do Centro de Identidade do IAM
Quando a sessão em segundo plano do usuário é **desativada** para a instância do IAM Identity Center, o trabalho de SageMaker IA usa sessões interativas do usuário. Ao usar sessões interativas, um trabalho de SageMaker IA falhará em 15 minutos quando:
+ O usuário se desconectar.
+ A sessão interativa for revogada pelo administrador.
Quando a sessão em segundo plano do usuário está **habilitada** para a instância do IAM Identity Center, o trabalho de SageMaker IA usa sessões em segundo plano do usuário. Ao usar sessões interativas, um trabalho de SageMaker IA falhará em 15 minutos quando:
+ A sessão de usuário em segundo plano expirar.
+ A sessão de usuário em segundo plano for revogada manualmente por um administrador.
Veja a seguir um exemplo de comportamento com trabalhos SageMaker de treinamento. Quando um administrador habilita a propagação de identidade confiável, mas desabilita as [sessões de usuários em segundo plano](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html) no console do Centro de Identidade do IAM:
+ Se um usuário permanecer conectado, suas tarefas de treinamento criadas enquanto as sessões em segundo plano estão desabilitadas retornarão para a sessão interativa.
+ Se o usuário se desconectar, a sessão expirará e as tarefas de treinamento, dependendo da sessão interativa, falharão.
+ Os usuários podem reiniciar a tarefa de treinamento usando o último ponto de verificação. A duração da sessão é determinada pelo que está definido para a duração da sessão interativa no console do Centro de Identidade do IAM.
+ Se um usuário desabilitar as sessões em segundo plano **depois** de iniciar um trabalho, o trabalho continuará usando as sessões em segundo plano existentes. Em outras palavras, a SageMaker IA não criará nenhuma nova sessão em segundo plano.
O mesmo comportamento se aplica se as sessões em segundo plano estiverem habilitadas no nível da instância do IAM Identity Center, mas desativadas especificamente para o aplicativo Studio usando o [IAM Identity Center APIs](https://docs.aws.amazon.com/singlesignon/latest/APIReference/welcome.html).
## Considerações sobre runtime
Quando um administrador define trabalhos `MaxRuntimeInSeconds` de treinamento ou processamento de longa duração inferiores à duração da sessão em segundo plano do usuário, a SageMaker IA executa o trabalho pelo mínimo de uma `MaxRuntimeInSeconds` ou outra duração da sessão em segundo plano do usuário. Para saber mais sobre o `MaxRuntimeInSeconds`, consulte [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html#sagemaker-CreateTrainingJob-request-StoppingCondition). Consulte [User background sessions](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html) no “Guia do usuário do Centro de Identidade do IAM” para ter informações sobre como definir o tempo de execução.
# Como se conectar a outros AWS serviços com a propagação de identidade confiável ativada
Quando a propagação de identidade confiável está habilitada para seu domínio Amazon SageMaker AI, os usuários do domínio podem se conectar a outros serviços confiáveis habilitados AWS para propagação de identidade. Quando a propagação de identidade confiável é habilitada, seu contexto de identidade é propagado automaticamente para serviços compatíveis, permitindo um controle de acesso refinado e uma auditoria aprimorada em seus fluxos de trabalho de machine learning. Essa integração elimina a necessidade de troca complexa de funções do IAM e fornece uma experiência de identidade unificada em todos AWS os serviços. As páginas a seguir fornecem informações sobre como conectar o Amazon SageMaker Studio a outros AWS serviços quando a propagação de identidade confiável está habilitada.
**Topics**
+ [Conecte os JupyterLab notebooks do Connect Studio aos Amazon S3 Access Grants com a propagação de identidade confiável habilitada](trustedidentitypropagation-s3-access-grants.md)
+ [Conecte os JupyterLab notebooks Connect Studio ao Amazon EMR com a propagação de identidade confiável ativada](trustedidentitypropagation-emr-ec2.md)
+ [Conecte seus JupyterLab notebooks Studio ao EMR Serverless com a propagação de identidade confiável ativada](trustedidentitypropagation-emr-serverless.md)
+ [Conecte os JupyterLab notebooks do Connect Studio à API Redshift Data com a propagação de identidade confiável ativada](trustedidentitypropagation-redshift-data-apis.md)
+ [Conecte os JupyterLab notebooks Connect Studio ao Lake Formation e ao Athena com a propagação de identidade confiável ativada](trustedidentitypropagation-lake-formation-athena.md)
# Conecte os JupyterLab notebooks do Connect Studio aos Amazon S3 Access Grants com a propagação de identidade confiável habilitada
É possível usar o recurso [Concessão de Acesso do Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html) para conceder flexivelmente um controle de acesso refinado baseado em identidade aos locais do Amazon S3. Esse recurso concede acesso aos buckets do Amazon S3 diretamente a seus usuários e grupos empresariais. As páginas a seguir fornecem informações e instruções sobre como usar o Amazon S3 Access Grants com propagação de identidade confiável para IA. SageMaker
## Pré-requisitos
Para conectar o Studio ao Lake Formation e ao Athena com a propagação de identidade confiável habilitada, atenda aos seguintes pré-requisitos:
+ [Configurar a propagação de identidade confiável para o Studio](trustedidentitypropagation-setup.md)
+ Siga as instruções em [Conceitos básicos da funcionalidade Concessão de Acesso do Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants-get-started.html) para configurar o recurso Concessão de Acesso do Amazon S3 para seu bucket. Consulte [Scaling data access with Amazon S3 Access Grants](https://aws.amazon.com/blogs/storage/scaling-data-access-with-amazon-s3-access-grants/) para ter mais informações.
**nota**
O Amazon S3 padrão APIs não funciona automaticamente com os Amazon S3 Access Grants. Você deve usar explicitamente o Amazon S3 Access Grants. APIs Consulte [Gerenciar o acesso com a funcionalidade Concessão de Acesso do Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html) para ter mais informações.
**Topics**
+ [Pré-requisitos](#s3-access-grants-prerequisites)
+ [Conecte as concessões de acesso do Amazon S3 com notebooks Studio JupyterLab](s3-access-grants-setup.md)
+ [Conecte os JupyterLab notebooks do Connect Studio às concessões de acesso do Amazon S3 com trabalhos de treinamento e processamento](trustedidentitypropagation-s3-access-grants-jobs.md)
# Conecte as concessões de acesso do Amazon S3 com notebooks Studio JupyterLab
Use as informações a seguir para conceder concessões de acesso ao Amazon S3 em notebooks Studio JupyterLab .
Depois que o recurso Concessão de Acesso do Amazon S3 for configurado, [adicione as permissões a seguir](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) ao seu domínio ou [perfil de execução](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role) de usuário.
+ `us-east-1` é sua Região da AWS.
+ `111122223333` é o ID da Conta da AWS .
+ `S3-ACCESS-GRANT-ROLE` é o perfil do recurso Concessão de Acesso do Amazon S3.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowDataAccessAPI",
"Effect": "Allow",
"Action": [
"s3:GetDataAccess"
],
"Resource": [
"arn:aws:s3:us-east-1:111122223333:access-grants/default"
]
},
{
"Sid": "RequiredForTIP",
"Effect": "Allow",
"Action": "sts:SetContext",
"Resource": "arn:aws:iam::111122223333:role/S3-ACCESS-GRANT-ROLE"
}
]
}
```
------
A política de confiança do perfil do recurso Concessão de Acesso do Amazon S3 dever permitir as ações `sts:SetContext` e `sts:AssumeRole`. Veja a seguir um exemplo de política para quando você [atualiza sua política de confiança de perfil](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_update-role-trust-policy.html).
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"access-grants.s3.amazonaws.com"
]
},
"Action": [
"sts:AssumeRole",
"sts:SetContext"
],
"Condition": {
"StringEquals": {
"aws:SourceAccount": "111122223333",
"aws:SourceArn": "arn:aws:s3:us-east-1:111122223333:access-grants/default"
}
}
}
]
}
```
------
## Usar o recurso Concessão de Acesso do Amazon S3 para chamar o Amazon S3
Veja a seguir um exemplo de script em Python que mostra como o recurso Concessão de Acesso do Amazon S3 pode ser usado para chamar o Amazon S3. Isso pressupõe que você já tenha configurado com êxito a propagação de identidade confiável com SageMaker IA.
```
import boto3
from botocore.config import Config
def get_access_grant_credentials(account_id: str, target: str,
permission: str = 'READ'):
s3control = boto3.client('s3control')
response = s3control.get_data_access(
AccountId=account_id,
Target=target,
Permission=permission
)
return response['Credentials']
def create_s3_client_from_credentials(credentials) -> boto3.client:
return boto3.client(
's3',
aws_access_key_id=credentials['AccessKeyId'],
aws_secret_access_key=credentials['SecretAccessKey'],
aws_session_token=credentials['SessionToken']
)
# Create client
credentials = get_access_grant_credentials('111122223333',
"s3://tip-enabled-bucket/tip-enabled-path/")
s3 = create_s3_client_from_credentials(credentials)
s3.list_objects(Bucket="tip-enabled-bucket", Prefix="tip-enabled-path/")
```
Se você usar um caminho para um bucket do Amazon S3 onde o recurso Concessão de Acesso do Amazon S3 não esteja habilitado, a chamada falhará.
Para ter mais informações sobre outras linguagens de programação, consulte [Gerenciar o acesso com a funcionalidade Concessão de Acesso do Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html).
# Conecte os JupyterLab notebooks do Connect Studio às concessões de acesso do Amazon S3 com trabalhos de treinamento e processamento
Use as informações a seguir para conceder ao Amazon S3 Access Grants para acessar dados em trabalhos de SageMaker treinamento e processamento da Amazon.
Quando um usuário com propagação de identidade confiável habilitada inicia um trabalho de SageMaker treinamento ou processamento que precisa acessar os dados do Amazon S3:
+ SageMaker A IA chama o Amazon S3 Access Grants para obter credenciais temporárias com base na identidade do usuário
+ Se a operação for bem-sucedida, essas credenciais temporárias acessam os dados do Amazon S3.
+ Se não for bem-sucedida, a SageMaker IA volta a usar as credenciais da função do IAM
**nota**
Para garantir que todas as permissões sejam concedidas por meio do recurso Concessão de Acesso do Amazon S3, você precisará remover a permissão de acesso relacionada ao Amazon S3 do seu perfil de execução e anexá-la à sua [concessão de acesso do Amazon S3](https://docs.aws.amazon.com/singlesignon/latest/userguide/tip-tutorial-s3.html#tip-tutorial-s3-create-grant) correspondente.
**Topics**
+ [Considerações](#s3-access-grants-jobs-considerations)
+ [Configurar o recurso Concessão de Acesso do Amazon S3 com tarefas de treinamento e processamento](#s3-access-grants-jobs-setup)
## Considerações
Os Amazon S3 Access Grants não podem ser usados com o [modo Pipe](https://docs.aws.amazon.com/sagemaker/latest/dg/augmented-manifest-stream.html) para SageMaker treinamento e processamento de entradas do Amazon S3.
Quando a propagação de identidade confiável está habilitada, você não pode iniciar um SageMaker Training Job com o seguinte recurso
+ Depuração remota
+ Debugger
+ Profiler
Quando a propagação de identidade confiável está habilitada, não é possível iniciar uma tarefa de processamento com o seguinte recurso:
+ DatasetDefinition
## Configurar o recurso Concessão de Acesso do Amazon S3 com tarefas de treinamento e processamento
Depois que o recurso Concessão de Acesso do Amazon S3 for configurado, [adicione as permissões a seguir](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) ao seu domínio ou [perfil de execução](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role) de usuário.
+ `us-east-1` é sua Região da AWS.
+ `111122223333` é o ID da Conta da AWS .
+ `S3-ACCESS-GRANT-ROLE` é o perfil do recurso Concessão de Acesso do Amazon S3.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowDataAccessAPI",
"Effect": "Allow",
"Action": [
"s3:GetDataAccess",
"s3:GetAccessGrantsInstanceForPrefix"
],
"Resource": [
"arn:aws:s3:us-east-1:111122223333:access-grants/default"
]
},
{
"Sid": "RequiredForIdentificationPropagation",
"Effect": "Allow",
"Action": "sts:SetContext",
"Resource": "arn:aws:iam::111122223333:role/S3-ACCESS-GRANT-ROLE"
}
]
}
```
------
# Conecte os JupyterLab notebooks Connect Studio ao Amazon EMR com a propagação de identidade confiável ativada
Conectar os JupyterLab notebooks Amazon SageMaker Studio aos clusters do Amazon EMR permite que você aproveite o poder de computação distribuída do Amazon EMR para cargas de trabalho analíticas e de processamento de dados em grande escala. Com a propagação de identidade confiável habilitada, seu contexto de identidade é propagado para o Amazon EMR, permitindo um controle de acesso refinado e trilhas de auditoria abrangentes. A página a seguir fornece instruções sobre como conectar seu caderno do Studio com clusters do Amazon EMR. Após a configuração, você pode usar a opção `Connect to Cluster` em seu caderno do Studio.
Para conectar o Studio ao Amazon EMR com a propagação de identidade confiável habilitada, conclua as seguintes configurações:
+ [Configurar a propagação de identidade confiável para o Studio](trustedidentitypropagation-setup.md)
+ [Introdução à Centro de Identidade do AWS IAM integração com o Amazon EMR](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-idc-start.html)
+ [Habilitar comunicações entre o Studio e clusters do Amazon EMR](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-cluster.html)
**Conectar-se ao cluster do Amazon EMR**
Para obter uma lista completa de opções sobre como conectar seu JupyterLab notebook ao Amazon EMR, consulte [Conecte-se a um cluster do Amazon EMR.](https://docs.aws.amazon.com/sagemaker/latest/dg/connect-emr-clusters.html)
# Conecte seus JupyterLab notebooks Studio ao EMR Serverless com a propagação de identidade confiável ativada
O Amazon EMR Sem Servidor oferece uma opção sem servidor para executar aplicações do Apache Spark e do Apache Hive sem gerenciar clusters. Quando integrado à propagação de identidade confiável, o EMR Sem Servidor escala automaticamente os recursos de computação e, ao mesmo tempo, mantém seu contexto de identidade para controle de acesso e auditoria. Essa abordagem elimina os custos operacionais indiretos do gerenciamento de clusters e preserva os benefícios de segurança do controle de acesso baseado em identidade. A seção a seguir fornece informações sobre como conectar o Studio habilitado para propagação de identidade confiável com o EMR Sem Servidor.
Para conectar o Studio ao Amazon EMR Sem Servidor com a propagação de identidade confiável habilitada, conclua as seguintes configurações:
+ [Configurar a propagação de identidade confiável para o Studio](trustedidentitypropagation-setup.md)
+ [Propagação de identidade confiável com o EMR Sem Servidor](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-service-trusted-prop.html)
+ [Habilitar comunicações entre o Studio e clusters do Amazon EMR Sem Servidor](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-serverless.html)
**Conectar-se à aplicação do EMR Sem Servidor**
Para obter uma lista completa de opções sobre como conectar seu JupyterLab notebook ao EMR Serverless, consulte [Conectar-se a um aplicativo EMR](https://docs.aws.amazon.com/sagemaker/latest/dg/connect-emr-serverless-application.html) Serverless.
# Conecte os JupyterLab notebooks do Connect Studio à API Redshift Data com a propagação de identidade confiável ativada
A API de dados do Amazon Redshift permite que você interaja programaticamente com seus clusters do Amazon Redshift sem gerenciar conexões persistentes. Quando combinada com a propagação de identidade confiável, a API de dados do Redshift oferece acesso seguro e baseado em identidade ao seu data warehouse, permitindo que você execute consultas SQL e recupere resultados enquanto mantém trilhas de auditoria completas das atividades do usuário. Essa integração é particularmente valiosa para fluxos de trabalho de ciência de dados que exigem acesso a dados estruturados armazenados no Redshift. A página a seguir inclui informações e instruções sobre como conectar a propagação de identidade confiável com o Amazon SageMaker Studio à API de dados do Redshift.
Para conectar o Studio à API de dados do Redshift com a propagação de identidade confiável habilitada, conclua as seguintes configurações:
+ [Configurar a propagação de identidade confiável para o Studio](trustedidentitypropagation-setup.md)
+ [Usar a API de dados com propagação de identidade confiável](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-trusted-identity-propagation.html)
+ Seu perfil de execução deve permissões relevantes para a API de dados do Redshift. Para ter mais informações, consulte [Usar acesso de autenticação](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-access.html).
+ [Simplifique o gerenciamento de acesso com o Amazon Redshift e AWS Lake Formation para usuários em um provedor de identidade externo](https://aws.amazon.com/blogs/big-data/simplify-access-management-with-amazon-redshift-and-aws-lake-formation-for-users-in-an-external-identity-provider/)
# Conecte os JupyterLab notebooks Connect Studio ao Lake Formation e ao Athena com a propagação de identidade confiável ativada
AWS Lake Formation e o Amazon Athena trabalham juntos para fornecer uma solução abrangente de data lake com controle de acesso refinado e recursos de consulta sem servidor. O Lake Formation centraliza o gerenciamento de permissões para seu data lake, enquanto o Athena fornece serviços de consulta interativos. Quando integrada à propagação de identidade confiável, essa combinação permite que os cientistas de dados acessem somente os dados que estão autorizados a ver, com todas as consultas e o acesso aos dados registrados em log automaticamente para fins de conformidade e auditoria. A página a seguir fornece informações e instruções sobre como conectar a propagação de identidade confiável com o Amazon SageMaker Studio ao Lake Formation e ao Athena.
Para conectar o Studio ao Lake Formation e ao Athena com a propagação de identidade confiável habilitada, conclua as seguintes configurações:
+ [Configurar a propagação de identidade confiável para o Studio](trustedidentitypropagation-setup.md)
+ [Criar um perfil do Lake Formation](https://docs.aws.amazon.com/lake-formation/latest/dg/prerequisites-identity-center.html)
+ [Conectar o Lake Formation com o Centro de Identidade do IAM](https://docs.aws.amazon.com/lake-formation/latest/dg/connect-lf-identity-center.html)
+ Criar recursos do Lake Formation:
+ [Banco de dados](https://docs.aws.amazon.com/lake-formation/latest/dg/creating-database.html)
+ [Tabelas](https://docs.aws.amazon.com/lake-formation/latest/dg/creating-tables.html)
+ [Criar um grupo de trabalho do Athena](https://docs.aws.amazon.com/athena/latest/ug/creating-workgroups.html)
+ Escolha o **AthenaSQL** para o mecanismo.
+ Escolha **Centro de Identidade do IAM** como método de autenticação.
+ Crie um perfil de serviço.
+ Os usuários do Centro de Identidade do IAM devem ter acesso ao local do resultado da consulta usando o recurso Concessão de Acesso do Amazon S3.
+ [Conceder permissões de banco de dados usando o método de recurso nomeado](https://docs.aws.amazon.com/lake-formation/latest/dg/granting-database-permissions.html)
# Executar tarefas de IU
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da experiência atualizada do Studio. Para obter informações sobre como usar a aplicação do Studio Classic, consulte [Amazon SageMaker Studio clássico](studio.md).
As seções a seguir descrevem como realizar tarefas comuns na interface do usuário do Amazon SageMaker Studio. Para obter uma visão geral da interface do Studio, consulte [Visão geral da interface do usuário do Amazon SageMaker Studio](studio-updated-ui.md).
**Definir preferências de cookies**
1. Execute o Studio seguindo as etapas em [Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Na parte inferior da interface do usuário do Studio, escolha **Preferências de cookies**.
1. Marque a caixa de seleção para cada tipo de cookie que você deseja que a Amazon SageMaker AI use.
1. Selecione **Salvar preferências**.
**Gerenciar notificações**
As notificações fornecem informações sobre mudanças importantes no Studio, atualizações nas aplicações e problemas a serem resolvidos.
1. Execute o Studio seguindo as etapas em [Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Na barra de navegação superior, escolha o ícone de **Notificações** (![\[Logo for Notifications, a cloud service with a stylized bell icon.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/monarch/notification.png)).
1. Na lista de notificações, selecione a notificação para obter informações sobre ela.
**Deixar feedback**
Nós levamos seu feedback a sério. Recomendamos que você envie seu feedback.
Na barra de navegação superior do Studio, escolha **Fornecer feedback**.
**Desconectar**
Sair da interface do usuário do Studio é diferente de fechar a janela do navegador. Sair limpa os dados da sessão do navegador e exclui as alterações não salvas.
Esse mesmo comportamento também acontece quando a sessão do Studio expira. Isso acontece depois de cinco minutos.
1. Execute o Studio seguindo as etapas em [Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Escolha o ícone de **Opções do usuário** (![\[User icon with a circular avatar placeholder and a downward-pointing arrow.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/monarch/user-settings.png)).
1. Escolha **Sair**.
1. Na janela pop-up, escolha **Sair**.
# NVMe lojas com Amazon SageMaker Studio
Os aplicativos do Amazon SageMaker Studio e seus notebooks associados são executados em instâncias do Amazon Elastic Compute Cloud (Amazon EC2). Alguns dos tipos de instância do Amazon EC2, como a família de `ml.m5d` instâncias, oferecem armazenamentos de instâncias de unidades de estado sólido (SSDNVMe) de memória expressa não volátil (). NVMe armazenamentos de instâncias são armazenamentos de discos temporários locais que estão fisicamente conectados a uma instância para armazenamento temporário rápido. Os aplicativos Studio oferecem suporte a armazenamentos de NVMe instâncias para tipos de instância compatíveis. Para obter mais informações sobre os tipos de instância e seus volumes de NVMe armazenamento associados, consulte os [detalhes do tipo de instância do Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/). Este tópico fornece informações sobre como acessar e usar armazenamentos de NVMe instâncias, bem como considerações sobre o uso de armazenamentos de NVMe instâncias com o Studio.
## Considerações
As considerações a seguir se aplicam ao usar armazenamentos de NVMe instâncias com o Studio.
+ Um armazenamento de NVMe instâncias é um armazenamento temporário. Os dados armazenados na NVMe loja são excluídos quando a instância é encerrada, interrompida ou hibernada. Ao usar NVMe lojas com aplicativos Studio, os dados no armazenamento de NVMe instâncias são perdidos sempre que o aplicativo é excluído, reiniciado ou corrigido. Recomendamos que você faça backup de dados valiosos em soluções de armazenamento persistente, como Amazon Elastic Block Store, Amazon Elastic File System ou Amazon Simple Storage Service.
+ O Studio corrige as instâncias periodicamente para instalar novas atualizações de segurança. Quando uma instância é corrigida, ela é reiniciada. Essa reinicialização resulta na exclusão dos dados armazenados no armazenamento de NVMe instâncias. Recomendamos que você faça backup frequente dos dados necessários do armazenamento de NVMe instâncias em soluções de armazenamento persistente, como Amazon Elastic Block Store, Amazon Elastic File System ou Amazon Simple Storage Service.
+ Os seguintes aplicativos do Studio oferecem suporte ao uso NVMe de armazenamento:
+ JupyterLab
+ Editor de Código, baseado em Code-OSS, Visual Studio Code - código aberto
+ KernelGateway
## Acesse lojas de NVMe instâncias
Quando você seleciona um tipo de instância com armazenamentos de NVMe instâncias anexados para hospedar um aplicativo Studio, o diretório de armazenamento de NVMe instâncias é montado no contêiner do aplicativo no seguinte local:
```
/mnt/sagemaker-nvme
```
Se uma instância tiver mais de um armazenamento de NVMe instâncias anexado, o Studio cria um volume lógico distribuído que abrange todos os discos locais anexados. Em seguida, o Studio monta esse volume lógico distribuído no diretório `/mnt/sagemaker-nvme`. Como resultado, o tamanho do armazenamento do diretório é a soma de todos os tamanhos de volume de armazenamento de NVMe instâncias anexados à instância.
Se o `/mnt/sagemaker-nvme` diretório não existir, verifique se o tipo de instância que hospeda seu aplicativo tem um volume de armazenamento de NVMe instâncias anexado.
# Suporte ao modo local no Amazon SageMaker Studio
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Os aplicativos do Amazon SageMaker Studio oferecem suporte ao uso do modo local para criar estimadores, processadores e pipelines e, em seguida, implantá-los em um ambiente local. Com o modo local, você pode testar scripts de aprendizado de máquina antes de executá-los em ambientes gerenciados de treinamento ou hospedagem da Amazon SageMaker AI. O Studio comporta o modo local nas seguintes aplicações:
+ Amazon SageMaker Studio clássico
+ JupyterLab
+ Editor de Código, baseado em Code-OSS, Visual Studio Code - código aberto
O modo local nos aplicativos do Studio é invocado usando o SDK do SageMaker Python. Nos aplicativos Studio, o modo local funciona de forma semelhante às instâncias de SageMaker notebooks da Amazon, com algumas diferenças. Com a [Configuração do Docker sem raiz](studio-updated-local-get-started.md#studio-updated-local-rootless) habilitada, você também pode acessar registros adicionais do Docker por meio de sua configuração de VPC, bem como repositórios on-premises e registros públicos. [Para obter mais informações sobre como usar o modo local com o SDK do SageMaker Python, consulte Modo local.](https://sagemaker.readthedocs.io/en/stable/overview.html#local-mode)
**nota**
As aplicações do Studio não são compatíveis com trabalhos com vários contêineres no modo local. Os trabalhos no modo local são limitados a uma única instância para trabalhos de treinamento, inferência e processamento. Ao criar um trabalho no modo local, a configuração da contagem de instâncias deve ser `1`.
## Ajuda do Docker
Como parte da compatibilidade com o modo local, as aplicações do Studio oferecem comportam recursos de acesso limitado do Docker. Com esse suporte, os usuários podem interagir com a API do Docker por meio dos cadernos Jupyter ou do terminal de imagem da aplicação. Os clientes podem interagir com o Docker usando uma das seguintes opções:
+ [CLI do Docker](https://docs.docker.com/engine/reference/run/)
+ [CLI do Docker Compose ](https://docs.docker.com/compose/reference/)
+ SDKs do Docker para linguagem específica
O Studio também oferece apoio a recursos do acesso limitado ao Docker com as seguintes restrições:
+ O uso de redes do Docker não é compatível.
+ O uso do Dockervolume do [https://docs.docker.com/storage/volumes/](https://docs.docker.com/storage/volumes/) não é compatível durante a execução do contêiner. Somente entradas de montagem de vinculação de volume são permitidas durante a orquestração do contêiner. As entradas do volume de montagem vinculada devem estar localizadas no volume do Amazon Elastic File System (Amazon EFS) para o Studio Classic. Para JupyterLab aplicativos do Code Editor de Código, ele deve estar localizado no volume Amazon Elastic Block Store (Amazon EBS).
+ As operações de inspeção do contêiner são permitidas.
+ O mapeamento da porta do contêiner para o host não é permitido. Porém, você não pode especificar uma porta para hospedagem. O endpoint pode então ser acessado pelo Studio usando o seguinte URL:
```
http://localhost:port
```
### Operações do Docker compatíveis
A tabela a seguir lista todos os endpoints da API do Docker que são compatíveis com o Studio, incluindo quaisquer limitações de compatibilidade. Se um endpoint da API estiver ausente da tabela, o Studio não será compatível.
| Documentação de API | Limitações |
| --- | --- |
| [SystemAuth](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemAuth) | |
| [SystemEvents](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemEvents) | |
| [SystemVersion](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemVersion) | |
| [SystemPing](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemPing) | |
| [SystemPingHead](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemPingHead) | |
| [ContainerCreate](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerCreate) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/studio-updated-local.html) |
| [ContainerStart](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerStart) | |
| [ContainerStop](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerStop) | |
| [ContainerKill](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerKill) | |
| [ContainerDelete](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerDelete) | |
| [ContainerList](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerList) | |
| [ContainerLogs](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerLogs) | |
| [ContainerInspect](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerInspect) | |
| [ContainerWait](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerWait) | |
| [ContainerAttach](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerAttach) | |
| [ContainerPrune](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerPrune) | |
| [ContainerResize](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerResize) | |
| [ImageCreate](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageCreate) | A compatibilidade com o modo VPC-only é limitado às imagens do Amazon ECR nas contas permitidas. Com a [Configuração do Docker sem raiz](studio-updated-local-get-started.md#studio-updated-local-rootless) habilitada, você também pode acessar registros adicionais do Docker por meio de sua configuração de VPC, bem como repositórios on-premises e registros públicos. |
| [ImagePrune](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImagePrune) | |
| [ImagePush](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImagePush) | A compatibilidade com o modo VPC-only é limitado às imagens do Amazon ECR nas contas permitidas. Com a [Configuração do Docker sem raiz](studio-updated-local-get-started.md#studio-updated-local-rootless) habilitada, você também pode acessar registros adicionais do Docker por meio de sua configuração de VPC, bem como repositórios on-premises e registros públicos. |
| [ImageList](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageList) | |
| [ImageInspect](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageInspect) | |
| [ImageGet](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageGet) | |
| [ImageDelete](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageDelete) | |
| [ImageBuild](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageBuild) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/studio-updated-local.html) |
**Topics**
+ [Ajuda do Docker](#studio-updated-local-docker)
+ [Conceitos básicos do modo local](studio-updated-local-get-started.md)
# Conceitos básicos do modo local
As seções a seguir descrevem as etapas necessárias para começar a usar o modo local no Amazon SageMaker Studio, incluindo:
+ Como concluir os pré-requisitos
+ Configurar `EnableDockerAccess`
+ Instalação do Docker
## Pré-requisitos
Preencha os seguintes pré-requisitos para usar o modo local nas aplicações do Studio:
+ Para extrair imagens de um repositório do Amazon Elastic Container Registry, a conta que hospeda a imagem do Amazon ECR deve fornecer permissão de acesso para a função de execução do usuário. A função de execução do domínio também deve permitir o acesso ao Amazon ECR.
+ Verifique se você está usando a versão mais recente do SDK do Studio Python usando o seguinte comando:
```
pip install -U sagemaker
```
+ Para usar o modo e os recursos locais do Docker, defina o seguinte parâmetro do domínio `DockerSettings` usando a AWS Command Line Interface (AWS CLI):
```
EnableDockerAccess : ENABLED
```
+ Ao usar `EnableDockerAccess`, você também pode controlar se os usuários no domínio podem usar o modo local. Por padrão, o modo e os recursos locais do Docker não são permitidos nas aplicações do Studio. Para obter mais informações, consulte [Configurar `EnableDockerAccess`](#studio-updated-local-enable).
+ Instale a CLI do Docker na aplicação do Studio seguindo as etapas em [Instalação do Docker](#studio-updated-local-docker-installation).
+ Para a [Configuração do Docker sem raiz](#studio-updated-local-rootless), sua VPC deve ter endpoints e roteamento apropriados configurados para os registros do Docker desejados.
## Configurar `EnableDockerAccess`
As seções a seguir mostram como definir `EnableDockerAccess` quando o domínio tem acesso público à internet ou está no modo `VPC-only`.
**nota**
As alterações serão aplicadas ao `EnableDockerAccess` apenas nas aplicações criadas após a atualização do domínio. Crie uma aplicação depois de atualizar o domínio.
**Acesso público à internet**
Os seguintes comandos de exemplo mostram como configurar o `EnableDockerAccess` ao criar um novo domínio ou atualizar um domínio existente com acesso público à Internet:
```
# create new domain
aws --region region \
sagemaker create-domain --domain-name domain-name \
--vpc-id vpc-id \
--subnet-ids subnet-ids \
--auth-mode IAM \
--default-user-settings "ExecutionRole=execution-role" \
--domain-settings '{"DockerSettings": {"EnableDockerAccess": "ENABLED"}}' \
--query DomainArn \
--output text
# update domain
aws --region region \
sagemaker update-domain --domain-id domain-id \
--domain-settings-for-update '{"DockerSettings": {"EnableDockerAccess": "ENABLED"}}'
```
**Modo `VPC-only`**
Ao usar um domínio no modo `VPC-only`, as solicitações push e pull de imagem do Docker são roteadas pelo serviço VPC em vez da VPC configurada pelo cliente. Devido a esta funcionalidade, os administradores podem configurar uma lista de Contas da AWS confiáveis para as quais os usuários podem solicitar operações pull e push do Docker do Amazon ECR.
Se uma solicitação push ou pull de Docker imagem for feita para uma Conta da AWS que não esteja na lista de confiáveis Contas da AWS, a solicitação falhará. DockerAs operações pull and push fora do Amazon Elastic Container Registry (Amazon ECR) não são suportadas `VPC-only` no modo.
Por padrão, os itens a seguir Contas da AWS são confiáveis:
+ A conta que hospeda o domínio SageMaker AI.
+ SageMaker Contas de IA que hospedam as seguintes SageMaker imagens:
+ Imagens da estrutura DLC
+ SklearnSpark, XGBoost processando imagens
Para configurar uma lista de outros confiáveis Contas da AWS, especifique o `VpcOnlyTrustedAccounts` valor da seguinte forma:
```
aws --region region \
sagemaker update-domain --domain-id domain-id \
--domain-settings-for-update '{"DockerSettings": {"EnableDockerAccess": "ENABLED", "VpcOnlyTrustedAccounts": ["account-list"]}}'
```
**nota**
Quando [Configuração do Docker sem raiz](#studio-updated-local-rootless) está habilitada, `VpcOnlyTrustedAccounts` é ignorado e o tráfego do Docker passa por sua configuração de VPC, permitindo acesso a qualquer registro que sua VPC possa acessar.
## Configuração do Docker sem raiz
Quando [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DockerSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DockerSettings.html) está habilitado, o Studio usa um [daemon do Docker sem raiz](https://docs.docker.com/engine/security/rootless/) que roteia o tráfego pela sua VPC. Isso oferece segurança aprimorada e permite acesso a registros adicionais do Docker. As principais diferenças com o `RootlessDocker` são:
+ Sua configuração de VPC determina quais registros são acessíveis para operações do Docker. `VpcOnlyTrustedAccounts` é ignorado e o tráfego do Docker passa por sua configuração de VPC.
Para usar o Docker sem raiz, você precisará definir `EnableDockerAccess` e `RootlessDocker` como `ENABLED` para suas `DockerSettings`. Por exemplo, nos exemplos de [Configurar `EnableDockerAccess`](#studio-updated-local-enable) acima, você pode modificar as configurações do seu domínio para incluir:
```
'{"DockerSettings": {"EnableDockerAccess": "ENABLED", "RootlessDocker": "ENABLED"}}'
```
## Instalação do Docker
Para usar o Docker, você deve instalar manualmente o Docker por meio do terminal da aplicação do Studio. As etapas de instalação do Docker são diferentes se o domínio tiver acesso à internet ou não.
### Acesso à Internet
Se o domínio for criado com acesso público à internet ou no modo `VPC-only` com acesso limitado à internet, use as etapas a seguir para instalar o Docker.
1. (Opcional) Se seu domínio for criado no modo de `VPC-only` com acesso limitado à internet, crie um gateway NAT público com acesso ao site do Docker. Para ter instruções, consulte [Gateways NAT](https://docs.aws.amazon.com/vpc/latest/userguide/vpc-nat-gateway.html).
1. Navegue até o terminal da aplicação do Studio em que deseja instalar o Docker.
1. Para retornar o sistema operacional da aplicação, execute o seguinte comando no terminal:
```
cat /etc/os-release
```
1. Instale Docker seguindo as instruções para o sistema operacional do aplicativo no [repositório Amazon SageMaker AI Local Mode Examples](https://github.com/aws-samples/amazon-sagemaker-local-mode/tree/main/sagemaker_studio_docker_cli_install).
Por exemplo, instale Docker Ubuntu seguindo o script em [https://github.com/aws-samples/amazon-sagemaker-local-mode/blob/main/sagemaker\$1studio\$1docker\$1cli\$1install/sagemaker- ubuntu-focal-docker-cli -install.sh](https://github.com/aws-samples/amazon-sagemaker-local-mode/blob/main/sagemaker_studio_docker_cli_install/sagemaker-ubuntu-focal-docker-cli-install.sh) com as seguintes considerações:
+ Se os comandos encadeados falharem, execute comandos individualmente.
+ O Studio é compatível apenas com o Docker versão `20.10.X.` e a API do Docker Engine versão `1.41`.
+ Os seguintes pacotes não precisam usar a CLI do Docker no Studio e sua instalação pode ser ignorada:
+ `containerd.io`
+ `docker-ce`
+ `docker-buildx-plugin`
**nota**
Você não precisa iniciar o serviço do Docker em suas aplicações. A instância que hospeda a aplicação do Studio executa o serviço do Docker por padrão. Todas as chamadas de API do Docker são roteadas automaticamente pelo serviço do Docker.
1. Use o soquete do Docker exposto para interações do Docker nas aplicações do Studio. Por padrão, o seguinte soquete é exposto:
```
unix:///docker/proxy.sock
```
A seguinte variável de ambiente da aplicação do Studio para o `USER` padrão usa esse soquete exposto:
```
DOCKER_HOST
```
### Sem acesso à internet
Se o domínio for criado no modo `VPC-only` sem acesso à internet, use as etapas a seguir para instalar o Docker.
1. Navegue até o terminal da aplicação do Studio em que deseja instalar o Docker.
1. Execute o seguinte comando no terminal para retornar o sistema operacional da aplicação:
```
cat /etc/os-release
```
1. Baixe os arquivos `.deb` do Docker necessários em sua máquina local. Para instruções sobre como baixar os arquivos necessários para o sistema operacional da aplicação do Studio, consulte [Instalar o Docker Engine](https://docs.docker.com/engine/install/).
Por exemplo, instale o Docker a partir de um pacote no Ubuntu seguindo as etapas de 1 a 4 em [Instalar de um pacote](https://docs.docker.com/engine/install/ubuntu/#install-from-a-package) com as seguintes considerações:
+ Instale Docker a partir de um pacote. O uso de outros métodos para instalar o Docker não funcionará.
+ Instale os pacotes mais recentes correspondentes à versão`20.10.X` do Docker.
+ Os pacotes a seguir não são obrigatórios para usar a CLI do Docker no Studio. Não é necessário instalar:
+ `containerd.io`
+ `docker-ce`
+ `docker-buildx-plugin`
**nota**
Você não precisa iniciar o serviço do Docker em suas aplicações. A instância que hospeda a aplicação do Studio executa o serviço do Docker por padrão. Todas as chamadas de API do Docker são roteadas automaticamente pelo serviço do Docker.
1. Carregue os arquivos `.deb` no sistema de arquivos do Amazon EFS ou no sistema de arquivos do Amazon EBS da aplicação.
1. Instale manualmente os pacotes `.deb` `docker-ce-cli` e `docker-compose-plugin` por meio do terminal da aplicação do Studio. Para mais informações e instruções, consulte a etapa 5 em [Instalar a partir de um pacote](https://docs.docker.com/engine/install/ubuntu/#install-from-a-package) no site da de docs do Docker.
1. Use o soquete do Docker exposto para interações do Docker nas aplicações do Studio. Por padrão, o seguinte soquete é exposto:
```
unix:///docker/proxy.sock
```
A seguinte variável de ambiente da aplicação do Studio para o `USER` padrão usa esse soquete exposto:
```
DOCKER_HOST
```
# Visualizar suas instâncias, aplicações e espaços em execução no Studio
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da experiência atualizada do Studio. Para obter informações sobre como usar a aplicação do Studio Classic, consulte [Amazon SageMaker Studio clássico](studio.md).
Os tópicos a seguir incluem informações e instruções sobre como visualizar suas instâncias, aplicações e espaços em execução no Studio. Para obter mais informações sobre espaços compartilhados, consulte [Espaços do Amazon SageMaker Studio](studio-updated-spaces.md).
## Visualizar suas instâncias e aplicações em execução no Studio
A página **Instâncias em execução** fornece informações sobre todas as instâncias de aplicativos em execução que foram criadas no Amazon SageMaker Studio pelo usuário ou que foram compartilhadas com o usuário.
Você pode visualizar e interromper a execução de instâncias para todos os suas aplicações e espaços. Se uma instância for interrompida, ela não aparecerá nessa página. As instâncias interrompidas podem ser visualizadas na página inicial de seus respectivos tipos de aplicações.
Você pode ver uma lista das aplicações em execução e seus detalhes no Studio.
**Visualizar instâncias em execução**
1. Execute o Studio seguindo as etapas em [Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. No painel de navegação à esquerda, escolha **Instâncias em execução**.
1. Na página **Instâncias em execução**, você pode ver uma lista de aplicações em execução e detalhes sobre esses aplicações.
Para visualizar instâncias não em execução, no painel de navegação esquerdo, escolha a aplicação relevante em **Aplicações**. As aplicações que não estão em execução terão o status **Parado** na coluna **Status**.
## Visualizar espaços do Studio
A seção **Espaços** na página de **Detalhes do domínio** fornece informações sobre os espaços do Studio em seu domínio. Você pode exibir, criar e excluir espaços nessa página.
Os espaços que você pode visualizar na seção **Espaços** são espaços em execução para o seguinte:
+ JupyterLab espaço privado. Para obter informações sobre JupyterLab, consulte[SageMaker JupyterLab](studio-updated-jl.md).
+ Espaço privado do Code Editor. Para obter informações sobre o Editor de código, com base no Code-OSS, Visual Studio Code - Open Source, consulte. [Editor de código no Amazon SageMaker Studio](code-editor.md)
+ Espaço compartilhado Studio Classic. Para obter informações sobre o espaço compartilhado do Studio Classic, consulte [Colaboração com espaços compartilhados](domain-space.md).
Não há espaços para SageMaker Canvas, Studio Classic (privado) ou RStudio.
**Visualize seus espaços de estúdio em um domínio**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio em que deseja visualizar os espaços.
1. Na página **Detalhes do domínio**, escolha a aba **Gerenciamento de espaço** para abrir a seção **Espaços**.
**Visualize seus espaços de estúdio usando o AWS CLI**
Use o comando a seguir para listar todos os espaços em seu domínio:
```
aws sagemaker list-spaces --region us-east-1 --domain-id domain-id
```
+ `us-east-1`é seu Região da AWS.
+ *domain-id* é o ID do seu domínio. Consulte [Visualizar domínios](domain-view.md) para obter mais informações.
# Interromper e excluir aplicações e espaços em execução no Studio
A página a seguir inclui informações e instruções sobre como interromper e excluir recursos não utilizados do Amazon SageMaker Studio para evitar custos adicionais indesejados. Para os recursos do Studio que você não deseja mais usar, você precisará:
+ Interromper a aplicação: isso interrompe a aplicação e exclui a instância na qual a aplicação está sendo executada. Depois de interromper uma aplicação, você pode reiniciá-la novamente.
+ Excluir o espaço: isso exclui o volume do Amazon EBS que foi criado para a aplicação e a instância.
**Importante**
Se você excluir o espaço, perderá o acesso aos dados dentro desse espaço. Não exclua o espaço, a menos que tenha certeza de que deseja.
Para ter mais informações sobre as diferenças entre espaços e aplicações do Studio, consulte [Visualizar suas instâncias, aplicações e espaços em execução no Studio](studio-updated-running.md).
**Topics**
+ [Pare seu aplicativo Amazon SageMaker Studio](#studio-updated-running-stop-app)
+ [Excluir um espaço do Studio](#studio-updated-running-stop-space)
## Pare seu aplicativo Amazon SageMaker Studio
Para evitar cobranças adicionais decorrentes da execução de aplicações não utilizadas, você pode interrompê-las ou excluí-las. A seguir são apresentadas informações sobre o que a interrupção de uma aplicação faz e como interrompê-la.
+ As instruções a seguir usam a API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html) para interromper a aplicação. Isso também interrompe a instância em que a aplicação está sendo executada.
+ Depois de interromper uma aplicação, você pode inicializar a aplicação novamente em um momento posterior.
+ Quando você interromper uma aplicação, os arquivos no espaço persistirão. Você pode executar a aplicação novamente e esperar ter acesso aos mesmos arquivos que estão armazenados no espaço, como você tinha antes de excluir a aplicação.
+ Quando você interromper uma aplicação, os respectivos *metadados* serão excluídos em 24 horas. Para obter mais informações, consulte a nota no elemento de `CreationTime` resposta da [DescribeApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeApp.html#sagemaker-DescribeApp-response-CreationTime)API.
**nota**
Se o serviço detectar que uma aplicação não está íntegro, ele assume a função vinculada ao serviço [AmazonSageMakerNotebooksServiceRolePolicy](security-iam-awsmanpol-notebooks.md#security-iam-awsmanpol-AmazonSageMakerNotebooksServiceRolePolicy) e exclui a aplicação usando a API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html).
As guias a seguir fornecem instruções para interromper um aplicativo do seu domínio usando a interface do usuário do Studio, o console de SageMaker IA ou o. AWS CLI
**nota**
Para visualizar e interromper todas as instâncias em execução do Studio em um único local, recomendamos o fluxo de trabalho [Interromper aplicações usando a interface de usuário do Studio](#studio-updated-running-stop-app-using-studio-updated-ui) das seguintes opções:
### Interromper aplicações usando a interface de usuário do Studio
Para excluir aplicações do Studio usando a interface de usuário do Studio, use as instruções a seguir.
**Como excluir aplicações (interface de usuário do Studio)**
1. Execute o Studio. Esse processo pode ser diferente dependendo da configuração. Para obter informações sobre o lançamento do Studio, consulte [Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. No painel de navegação à esquerda, escolha **Instâncias em execução**.
Se a tabela na página estiver vazia, você não tem nenhuma instância ou aplicação em execução em seus espaços.
1. Na tabela abaixo das colunas **Nome** e **Aplicação**, localize o nome do espaço e a aplicação que você deseja interromper.
1. Escolha o botão **Interromper** correspondente para interromper a aplicação.
### Interrompa os aplicativos usando o console de SageMaker IA
Para visualizar ou interromper a execução de instâncias do Studio em um local centralizado, consulte [Interromper aplicações usando a interface de usuário do Studio](#studio-updated-running-stop-app-using-studio-updated-ui). Caso contrário, siga todas as instruções abaixo.
No console do SageMaker AI, você só pode interromper a execução dos aplicativos do Studio nos espaços que você pode visualizar na seção **Espaços** do console. Para obter uma lista dos espaços visíveis, consulte [Visualizar espaços do Studio](studio-updated-running.md#studio-updated-running-view-space).
Essas etapas mostram como interromper seus aplicativos do Studio usando o console de SageMaker IA.
**Para interromper seus aplicativos (console de SageMaker IA)**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio que você deseja reverter.
1. Na página de **Detalhes do domínio**, escolha a aba **Gerenciamento de espaço**.
1.
**Importante**
Na guia **Gerenciamento de espaço**, você tem a opção de excluir o espaço. Há uma diferença entre excluir o espaço e excluir uma aplicação. Se você excluir o espaço, perderá o acesso aos dados dentro desse espaço. Não exclua o espaço, a menos que tenha certeza de que deseja.
Para interromper a aplicação, na guia **Gerenciamento de espaço** e na coluna **Nome**, escolha o espaço para a aplicação.
1. Na seção **Aplicações** e na coluna **Tipo de aplicação**, pesquise a aplicação a ser interrompida.
1. Na coluna **Ação**, escolha o botão **Excluir aplicação** correspondente.
1. Na caixa pop-up, selecione **Sim, excluir aplicação**. Depois de fazer isso, o campo de entrada de exclusão fica disponível.
1. Insira **delete** no campo de entrada de exclusão para confirmar a exclusão.
1. Escolha **Excluir**.
### Pare seus aplicativos de domínio usando o AWS CLI
Para visualizar ou interromper qualquer uma das instâncias em execução do Studio a partir de um local centralizado, consulte [Interromper aplicações usando a interface de usuário do Studio](#studio-updated-running-stop-app-using-studio-updated-ui). Caso contrário, siga todas as instruções abaixo.
Os exemplos de código a seguir usam a API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html) para interromper uma aplicação em um domínio de exemplo.
Para interromper sua execução **JupyterLab**ou instâncias **do Editor de código**, use o exemplo de código a seguir:
```
aws sagemaker delete-app \
--domain-id example-domain-id \
--region Região da AWS \
--app-name default \
--app-type example-app-type \
--space-name example-space-name
```
+ Para obter o `example-domain-id`, use as seguintes instruções:
**Para obter o `example-domain-id`**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio relevante.
1. Na página **Detalhes do Domínio**, escolha a guia **Configurações do Domínio**.
1. Copie o **ID do domínio**.
+ Para obter a `Região da AWS`, use as seguintes instruções para garantir que você esteja usando a Região da AWS correta para o seu domínio:
**Para obter o `Região da AWS`**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio relevante.
1. Na página **Detalhes do domínio**, verifique se esse é o domínio relevante.
1. Expanda a lista suspensa de regiões no canto superior direito do console de SageMaker IA e use o Região da AWS ID correspondente à direita do seu Região da AWS nome. Por exemplo, .`us-west-1`
+ Para `example-app-type`, use o tipo de aplicação relevante para a aplicação que você deseja interromper. Por exemplo, substitua `example-app-type` por um dos seguintes tipos de aplicação:
+ JupyterLab tipo de aplicação:`JupyterLab`. Para obter informações sobre JupyterLab, consulte[SageMaker JupyterLab](studio-updated-jl.md).
+ Tipo de aplicação do Editor de Código: `CodeEditor`. Para obter informações sobre o Editor de código, com base no Code-OSS, Visual Studio Code - Open Source, consulte [Editor de código no Amazon SageMaker Studio](code-editor.md).
+ Para obter `example-space-name`, use as seguintes etapas:
**Para obter o `example-space-name`**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio relevante.
1. Na página de **Detalhes do domínio**, escolha a aba **Gerenciamento de espaço**.
1. Copie o nome do espaço relevante.
Para parar de executar instâncias para **SageMaker Canvas**, **Studio Classic** ou **RStudio**, use o seguinte exemplo de código:
```
aws sagemaker delete-app \
--domain-id example-domain-id \
--region Região da AWS \
--app-name default \
--app-type example-app-type \
--user-profile example-user-name
```
+ Para `example-app-type`, use o tipo de aplicação relevante para a aplicação que você deseja interromper. Por exemplo, substitua `example-app-type` por um dos seguintes tipos de aplicação:
+ SageMaker Tipo de aplicação de tela:`Canvas`. Para obter informações sobre o SageMaker Canvas, consulte[Amazon SageMaker Canvas](canvas.md).
+ Tipo de aplicação Studio Classic: `JupyterServer`. Para obter informações sobre o Studio Classic, consulte [Amazon SageMaker Studio clássico](studio.md).
+ RStudio tipo de aplicação:`RStudioServerPro`. Para obter informações sobre RStudio, consulte[RStudio na Amazon SageMaker AI](rstudio.md).
+ Para obter o `example-user-name`, navegue até a página **Detalhes do domínio**.
+ Em seguida, escolha a guia **Perfis de usuário** e copie o nome do espaço relevante.
Para obter instruções alternativas para excluir aplicações do Studio em execução, consulte:
+ JupyterLab: [Excluir recursos não utilizados](studio-updated-jl-admin-guide-clean-up.md).
+ Editor de Código: [Encerre os recursos do Editor de Código](code-editor-use-log-out.md).
+ SageMaker Tela:[Sair do Amazon SageMaker Canvas](canvas-log-out.md).
+ Studio Classic: [Desligue e atualize o Amazon SageMaker Studio Classic e os aplicativos](studio-tasks-update.md).
+ RStudio: [Encerrar RStudio](rstudio-shutdown.md).
## Excluir um espaço do Studio
**Importante**
Depois de excluir seu espaço, você perderá todos os dados armazenados no espaço. Recomendamos que você faça backup dos dados antes de excluir seu espaço.
Para excluir um espaço do Studio, você precisará ter permissões de administrador ou pelo menos ter permissões para atualizar o domínio, o IAM e o Amazon S3.
+ Os espaços são usados para gerenciar as necessidades de armazenamento e recursos da aplicação relevante. Quando você exclui um espaço, o volume de armazenamento também é excluído. Portanto, você perde o acesso aos arquivos armazenados nesse espaço. Para obter mais informações sobre espaços compartilhados, consulte [Espaços do Amazon SageMaker Studio](studio-updated-spaces.md).
Recomendamos que você faça backup dos dados se optar por excluir um espaço.
+ Depois de excluir um espaço, você não pode acessá-lo novamente.
Você pode excluir os espaços do Studio que podem ser visualizados na seção **Espaços** do console. Para obter uma lista dos espaços visíveis, consulte [Visualizar espaços do Studio](studio-updated-running.md#studio-updated-running-view-space).
Não há espaços para SageMaker Canvas, Studio Classic (privado) RStudio e. Para parar e excluir seu SageMaker Canvas, Studio Classic (privado) ou RStudio aplicativos, consulte[Pare seu aplicativo Amazon SageMaker Studio](#studio-updated-running-stop-app).
### Excluir um espaço usando o console SageMaker AI
A seção **Espaços** na página de **Detalhes do domínio** fornece informações sobre os espaços do Studio em seu domínio. Você pode exibir, criar e excluir espaços nessa página.
**Para visualizar espaços do Studio em um domínio**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio em que deseja visualizar os espaços.
1. Em **Detalhes do domínio**, escolha **Gerenciamento de espaço** para abrir a seção **Espaços**.
1. Selecione o espaço a ser excluído.
1. Escolha **Excluir**.
1. Na caixa pop-up intitulada **Excluir espaço**, você tem duas opções:
+ Se você já encerrou todas as aplicações no espaço, escolha **Sim, excluir espaço**.
+ Se você ainda tiver aplicações em execução no espaço, escolha **Sim, encerrar todas as aplicações e excluir o espaço**.
1. Insira **delete** no campo de entrada de exclusão para confirmar a exclusão.
1. Para excluir o espaço, você tem duas opções:
+ Se você já encerrou todas as aplicações no espaço, escolha **Excluir espaço**.
+ Se você ainda tiver aplicações em execução no espaço, escolha **Sim, encerrar todas as aplicações e excluir o espaço**.
### Exclua um espaço usando a AWS CLI
Antes de excluir um espaço usando o AWS CLI, você deve excluir o aplicativo associado a ele. Para mais informações sobre interromper as aplicações do Studio, consulte [Pare seu aplicativo Amazon SageMaker Studio](#studio-updated-running-stop-app).
Use o AWS CLI comando a seguir para excluir um espaço em um domínio:
```
aws sagemaker delete-space \
--domain-id example-domain-id \
--region Região da AWS \
--space-name example-space-name
```
+ Para obter o `example-domain-id`, use as seguintes instruções:
**Para obter o `example-domain-id`**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio relevante.
1. Na página **Detalhes do Domínio**, escolha a guia **Configurações do Domínio**.
1. Copie o **ID do domínio**.
+ Para obter a `Região da AWS`, use as seguintes instruções para garantir que você esteja usando a Região da AWS correta para o seu domínio:
**Para obter o `Região da AWS`**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio relevante.
1. Na página **Detalhes do domínio**, verifique se esse é o domínio relevante.
1. Expanda a lista suspensa de regiões no canto superior direito do console de SageMaker IA e use o Região da AWS ID correspondente à direita do seu Região da AWS nome. Por exemplo, .`us-west-1`
+ Para obter `example-space-name`, use as seguintes etapas:
**Para obter o `example-space-name`**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio relevante.
1. Na página de **Detalhes do domínio**, escolha a aba **Gerenciamento de espaço**.
1. Copie o nome do espaço relevante.
# SageMaker Política de suporte de imagem do Studio
**Importante**
Atualmente, todos os pacotes em imagens de SageMaker distribuição são licenciados para uso com a Amazon SageMaker AI e não exigem licenças comerciais adicionais. No entanto, isso pode estar sujeito a alterações no futuro. Por isso, recomendamos que consulte regularmente os termos de licenciamento para verificar se existem atualizações.
O Amazon SageMaker Distribution é um conjunto de imagens do Docker disponível no SageMaker Studio que inclui estruturas populares para aprendizado de máquina, ciência de dados e visualização.
As imagens incluem estruturas de aprendizado profundo como PyTorch, TensorFlow e Keras; pacotes Python populares como numpy, scikit-learn e pandas; e like and Code Editor, baseado em Code-OSS, IDEs Visual JupyterLab Studio Code - Open Source. A distribuição contém as versões mais recentes de todos esses pacotes para que sejam mutuamente compatíveis.
Esta página detalha a política de suporte e a disponibilidade para imagens SageMaker de distribuição no SageMaker Studio.
## Versionamento, cadência de lançamento e política de compatibilidade
A tabela abaixo descreve o cronograma de lançamento das versões da SageMaker Distribution Image e seu suporte planejado. AWS fornece atualizações contínuas de funcionalidade e segurança para as versões de imagem suportadas. Novas versões secundárias são lançadas para as versões principais durante 12 meses e as versões secundárias compatíveis recebem funcionalidades e patches de segurança contínuos. Em alguns casos, uma versão de imagem pode precisar ser designada como fim do suporte antes do planejado originalmente se (a) os problemas de segurança não puderem ser resolvidos mantendo as diretrizes de versão semântica ou (b) qualquer uma de nossas principais dependências, como o Python, for alcançada. end-of-life AWS lança versões principais ou secundárias ad-hoc conforme necessário.
| Versão | Description | Cadência de lançamento | Compatibilidade planejada |
| --- | --- | --- | --- |
| Principais | Os principais lançamentos de versões da Amazon SageMaker Distribution envolvem a atualização de todas as suas principais dependências para as versões compatíveis mais recentes. Como parte da atualização, esses lançamentos principais também podem adicionar ou excluir pacotes. As versões principais são indicadas pelo primeiro número na string da versão, como 1.0, 2.0 ou 3.0. | 6 meses | 18 meses |
| Secundárias | Os lançamentos de versões secundárias da Amazon SageMaker Distribution incluem a atualização de todas as suas dependências principais para as versões secundárias compatíveis mais recentes dentro da mesma versão principal. SageMaker A distribuição pode adicionar novos pacotes durante o lançamento de uma versão secundária. As versões secundárias são indicadas pelo segundo número na string de versão, por exemplo, 1.1, 1.2 ou 2.1. | 1 mês | 6 meses |
| Patch | Os lançamentos da versão de patch da Amazon SageMaker Distribution incluem a atualização de todas as suas dependências principais para as versões de patch compatíveis mais recentes dentro da mesma versão secundária. SageMaker A distribuição não adiciona nem remove nenhum pacote durante o lançamento de uma versão de patch. As versões do patch são indicadas pelo terceiro número na string de versão, por exemplo, 1.1.1, 1.2.1 ou 2.1.3. Como as versões do patch geralmente são lançadas para corrigir vulnerabilidades de segurança, recomendamos sempre atualizar para a versão do patch mais recente, quando estiverem disponíveis. | Conforme necessário para corrigir vulnerabilidades de segurança | Até que uma nova versão do patch seja lançada |
Cada versão principal da Amazon SageMaker Distribution está disponível por 18 meses. Durante os primeiros 12 meses, são lançadas novas versões secundárias mensalmente. Nos seis meses restantes, as versões secundárias existentes continuarão compatíveis.
## Versões de imagens compatíveis
As tabelas abaixo listam as versões SageMaker de imagem de distribuição suportadas, suas datas planejadas de fim do suporte e sua disponibilidade no SageMaker Studio. Para versões de imagens cujo suporte termina antes da data planejada de fim da compatibilidade, as versões continuam disponíveis no Studio até a data de disponibilidade definida. Você pode continuar usando a imagem para iniciar aplicações por até 90 dias ou até a data de disponibilidade no Studio, o que ocorrer primeiro. Para obter mais informações sobre esses casos, entre em contato com Suporte.
Você pode migrar para uma versão mais recente compatível o quanto antes para garantir que receba atualizações contínuas de funcionalidade e segurança. Ao escolher uma versão de imagem no SageMaker Studio, recomendamos que você escolha uma versão de imagem compatível nas tabelas abaixo.
### Versões principais compatíveis
A tabela a seguir lista as principais versões de imagem do SageMaker Distribution suportadas.
| Versão de imagem | Lançamento da última versão secundária | Compatível até | Description |
| --- | --- | --- | --- |
| 1.x.x | 30 de abril de 2025 | 30 de outubro de 2025 | SageMaker A versão principal da distribuição 1 é construída com o Python 3.10. |
| 2.x.x | 25 de agosto de 2025 | 25 de fevereiro de 2026 | SageMaker A versão 2 principal da distribuição é construída com o Python 3.11. |
| 3.x.x | 29 de março de 2026 | 29 de setembro de 2026 | SageMaker A versão 3 principal da distribuição é construída com o Python 3.12. |
### Versões secundárias de imagens da CPU
A tabela a seguir lista as versões de imagens secundárias de SageMaker distribuição suportadas para CPUs.
| Versão de imagem | URI da imagem do Amazon ECR | Data planejada para o fim da compatibilidade | Disponibilidade no Studio até | Notas da versão |
| --- | --- | --- | --- | --- |
| 3.1.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 3.1-cpu | 19 de novembro de 2025 | 19 de novembro de 2025 | [Notas da versão](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.1) |
| 3.0.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 3.0-cpu | 30 de junho de 2025 | 29 de setembro de 2025 | [Notas da versão](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.0) |
| 2.6.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 2,6-cpu | 30 de junho de 2025 | 28 de outubro de 2025 | [Notas da versão](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v2/v2.6) |
### Versões secundárias de imagens da GPU
A tabela a seguir lista as versões de imagens secundárias de SageMaker distribuição suportadas para GPUs.
| Versão de imagem | URI da imagem do Amazon ECR | Data planejada para o fim da compatibilidade | Disponibilidade no Studio até | Notas de lançamento do patch mais recente |
| --- | --- | --- | --- | --- |
| 3.1.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 3.1 gpu | 19 de novembro de 2025 | 19 de novembro de 2025 | [Notas da versão](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.1) |
| 3.0.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 3.0-gpu | 30 de junho de 2025 | 29 de setembro de 2025 | [Notas da versão](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.0) |
| 2.6.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 2,6-gpu | 30 de junho de 2025 | 28 de outubro de 2025 | [Notas da versão](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v2/v2.6) |
### Imagens incompatíveis
A tabela a seguir lista as versões de imagem SageMaker de distribuição não suportadas.
| Versão de imagem | URI da imagem do Amazon ECR | Data do fim da compatibilidade | Disponibilidade no Studio até |
| --- | --- | --- | --- |
| 2.4.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 2,4-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 2,4-cpu | 7 de setembro de 2025 | 7 de setembro de 2025 |
| 2.3.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 2,3-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 2,3-cpu | 27 de julho de 2025 | 27 de julho de 2025 |
| 2.2.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 2,2-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 2.2 gpu | 15 de maio de 2025 | 15 de maio de 2025 |
| 2.1.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 2.1-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 2.1 gpu | 25 de abril de 2025 | 12 de maio de 2025 |
| 2.0.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 2.0-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 2.0-gpu | 25 de fevereiro de 2025 | 21 de abril de 2025 |
| 1.13.x | public.ecr. aws/sagemaker/sagemaker- distribuição: 1,13 - CPU public.ecr. aws/sagemaker/sagemaker-distribuição: 1,13 gpu | 15 de maio de 2025 | 20 de setembro de 2025 |
| 1.12.x | public.ecr. aws/sagemaker/sagemaker- distribuição: 1,12-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 1,12-gpu | 23 de julho de 2025 | 23 de julho de 2025 |
| 1.11.x | public.ecr. aws/sagemaker/sagemaker- distribuição: 1,11-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 1,11-gpu | 1.º de abril de 2025 | 12 de maio de 2025 |
| 1.10.x | public.ecr. aws/sagemaker/sagemaker- distribuição: 1,10-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 1,10-gpu | 5 de fevereiro de 2025 | 10 de abril de 2025 |
| 1.9.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 1,9-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 1,9-gpu | 15 de janeiro de 2025 | 10 de abril de 2025 |
| 1.8.x | public.ecr. aws/sagemaker/sagemaker- distribuição: 1,8-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 1,8 gpu | 31 de dezembro de 2024 | 10 de abril de 2025 |
| 1.7.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 1,7-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 1,7-gpu | 15 de dezembro de 2024 | 10 de abril de 2025 |
| 1.6.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 1,6 CPU public.ecr. aws/sagemaker/sagemaker-distribuição: 1,6 gpu | 15 de dezembro de 2024 | 10 de abril de 2025 |
| 1.5.x | public.ecr. aws/sagemaker/sagemaker- distribuição: 1,5 CPU public.ecr. aws/sagemaker/sagemaker-distribuição: 1,5 gpu | 31 de outubro de 2024 | 1.º de novembro de 2024 |
| 1.4.x | public.ecr. aws/sagemaker/sagemaker-distribuição: 1,4-cpu public.ecr. aws/sagemaker/sagemaker-distribuição: 1,4-gpu | 31 de outubro de 2024 | 1.º de novembro de 2024 |
| 1.3.x | public.ecr. aws/sagemaker/sagemaker- distribuição: 1,3 CPU | 28 de junho de 2024 | 18 de outubro de 2024 |
| 1.2.x | public.ecr. aws/sagemaker/sagemaker- distribuição: 1,2 - CPU | 28 de junho de 2024 | 18 de outubro de 2024 |
### Perguntas frequentes
**O que constitui o lançamento de uma versão principal de imagem?**
As versões principais de imagem são lançadas a cada seis meses. O lançamento de uma versão principal de imagem para a Amazon SageMaker Distribution envolve a atualização de todas as dependências principais para as versões compatíveis mais recentes e pode incluir a adição ou remoção de pacotes. A estrutura do Python só é atualizada com os novos lançamentos de versões principais. Por exemplo, com o lançamento principal da versão 2, a estrutura Python foi atualizada da versão 3.10 para a 3.11, PyTorch da 2.0 para a 2.3, da 2.14 para a 2.17, o Autogluon TensorFlow foi atualizado da 0.8 para a 1.1 e 4 pacotes foram adicionados à imagem.
**O que constitui o lançamento de uma versão secundária de imagem?**
As versões secundárias de imagens são lançadas mensalmente para todas as versões principais compatíveis. Uma versão secundária de imagem para a Amazon SageMaker Distribution envolve a atualização de todas as dependências principais, exceto Python e CUDA, para as versões secundárias mais recentes compatíveis dentro da mesma versão principal e pode incluir a adição de novos pacotes. Por exemplo, com o lançamento de uma versão secundária, o langchain pode ser atualizado de 0.1 para 0.2, e o jupyter-ai de 2.18 para 2.20.
**O que constitui o lançamento de uma versão do patch de imagem?**
As versões do patch de imagem são lançadas conforme necessário para corrigir vulnerabilidades de segurança. O lançamento de uma versão de imagem de patch para a Amazon SageMaker Distribution envolve a atualização de todas as suas dependências principais para as versões de patch compatíveis mais recentes dentro da mesma versão secundária. SageMaker A distribuição não adiciona nem remove nenhum pacote durante o lançamento de uma versão de patch. Por exemplo, com o lançamento de uma versão do patch, o matplotlib pode ser atualizado de 3.9.1 para 3.9.2, e o boto3 de 1.34.131 para 1.34.162.
**Onde posso encontrar os pacotes disponíveis em uma versão específica de imagem?**
Cada versão de imagem tem um `release.md` arquivo na `build_artifacts` pasta [do GitHub repositório](https://github.com/aws/sagemaker-distribution), mostrando todos os pacotes e versões de pacotes para imagens de CPU e GPU. Os arquivos separados de changelog para as versões de CPU e GPU especificam as atualizações de pacotes. Os changelogs comparam a nova versão da imagem com a anterior. Por exemplo, a versão 1.9.0 é comparada à versão do patch 1.8 mais recente, a versão 1.9.1 é comparada à versão 1.9.0, e a versão 2.0.0 é comparada à versão do patch mais recente da versão secundária mais recente disponível no momento.
**Como as imagens são digitalizadas em busca de vulnerabilidades e exposições comuns ()? CVEs**
O Amazon SageMaker AI aproveita a [verificação aprimorada do Amazon Elastic Container Registry (Amazon ECR)](https://docs.aws.amazon.com/AmazonECR/latest/userguide/image-scanning-enhanced.html) para detectar automaticamente vulnerabilidades e correções para imagens de distribuição. SageMaker AWS executa continuamente a digitalização aprimorada do ECR para a versão de patch mais recente de todas as versões de imagem suportadas. Quando as vulnerabilidades são detectadas e uma correção está disponível, AWS lança uma versão de imagem atualizada para corrigir o problema.
**Ainda posso usar imagens antigas depois que uma imagem deixar de ser compatível?**
As imagens estão disponíveis no SageMaker Studio até a data de disponibilidade designada. As imagens mais antigas permanecem disponíveis no ECR após chegarem o fim da compatibilidade e serem excluídas do Studio. Você pode baixar versões de imagem mais antigas do ECR e [criar uma SageMaker imagem personalizada](studio-byoi-create.md). Entretanto, é bastante recomendável atualizar para uma versão de imagem compatível que receba atualizações de segurança e correções de erros continuamente. Os clientes que criam imagens próprias personalizadas ficam responsáveis por verificar e corrigir suas imagens. Para mais informações, consulte o [Modelo de responsabilidade compartilhada da AWS](https://aws.amazon.com/compliance/shared-responsibility-model/).
**Importante**
SageMaker A distribuição v0.x.y é usada somente no Studio Classic. SageMaker A distribuição v1.x.y só é usada em. JupyterLab
# Preços do Amazon SageMaker Studio
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da experiência atualizada do Studio. Para obter informações sobre como usar a aplicação do Studio Classic, consulte [Amazon SageMaker Studio clássico](studio.md).
Não há cobrança adicional pelo uso da interface do usuário do Amazon SageMaker Studio.
Os seguintes itens incorrem em custos:
+ Volumes do Amazon Elastic Block Store ou do Amazon Elastic File System que são montados com suas aplicações.
+ Quaisquer trabalhos e recursos que os usuários iniciem a partir das aplicações do Studio.
+ Iniciar um JupyterLab aplicativo, mesmo que nenhum recurso ou tarefa tenha sido lançado no aplicativo.
Para obter informações sobre como o Amazon SageMaker Studio Classic é cobrado, consulte[Preços do Amazon SageMaker Studio Classic](studio-pricing.md).
Para obter mais informações sobre faturamento e exemplos de preços, consulte [Amazon SageMaker Pricing](https://aws.amazon.com//sagemaker/pricing/).
# Solução de problemas
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da experiência atualizada do Studio. Para obter informações sobre como usar a aplicação do Studio Classic, consulte [Amazon SageMaker Studio clássico](studio.md).
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Esta seção mostra como solucionar problemas comuns no Amazon SageMaker Studio.
## Método de recuperação
O modo de recuperação permite que você acesse sua aplicação do Studio quando um problema de configuração impede a inicialização normal. Ele oferece um ambiente simplificado com funcionalidades essenciais para ajudar a diagnosticar e corrigir o problema.
Quando uma aplicação falhar na inicialização, provavelmente você verá uma mensagem de erro sobre o acesso ao modo de recuperação para resolver um dos problemas de configuração a seguir.
+ Arquivo [https://docs.conda.io/projects/conda/en/latest/user-guide/configuration/use-condarc.html](https://docs.conda.io/projects/conda/en/latest/user-guide/configuration/use-condarc.html) corrompido.
Para ter informações sobre como solucionar problemas com o arquivo `.condarc` arquivo, consulte a página [Troubleshooting](https://docs.conda.io/projects/conda/en/latest/user-guide/troubleshooting.html) no *Conda user guide*.
+ Volume de armazenamento disponível insuficiente.
Você pode aumentar o espaço de armazenamento do Amazon EBS disponível para a aplicação ou entrar no modo de recuperação para remover dados desnecessários.
Para ter informações sobre como aumentar o tamanho do volume do Amazon EBS, consulte [Solicitar um aumento de cota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) no *Guia do usuário do Service Quotas*.
No modo de recuperação:
+ Seu diretório inicial será diferente do diretório de sua inicialização normal. Esse diretório é temporário e garante que qualquer configuração corrompida em seu diretório inicial padrão não afete suas operações no modo de recuperação. Você pode navegar até seu diretório inicial padrão usando o comando`cd /home/sagemaker-user`.
+ Modo padrão: `/home/sagemaker-user`
+ Método de recuperação: `/tmp/sagemaker-recovery-mode-home`
+ O ambiente Conda usa um ambiente conda básico mínimo com apenas pacotes essenciais. A configuração simplificada do Conda ajuda a isolar problemas relacionados ao ambiente e oferece funcionalidade básica para solução de problemas.
Você pode usar a interface do usuário do Studio ou a AWS CLI para acessar o aplicativo no modo de recuperação.
### Use a interface de usuário do Studio para acessar a aplicação no modo de recuperação.
A seguir são apresentadas instruções para acessar sua aplicação no modo de recuperação.
1. Se ainda não tiver feito isso, inicie a interface de usuário do Studio seguindo as instruções em [Inicie a partir do console Amazon SageMaker AI](studio-updated-launch.md#studio-updated-launch-console).
1. No menu de navegação à esquerda, em **Aplicações**, escolha a aplicação.
1. Escolha o espaço com o qual você está tendo problemas de configuração.
As etapas a seguir são disponibilizadas quando você encontra um ou mais dos problemas de configuração mencionados anteriormente. Nesse caso, você verá um banner de aviso e uma mensagem do **modo de recuperação**.
**nota**
O banner de aviso deve ter uma solução recomendada para o problema. Anote-a antes de continuar.
1. Escolha **Espaço de execução (modo de recuperação)**.
1. Para acessar seu aplicativo no modo de recuperação, escolha **Abrir *application* (modo de recuperação)**.
### Use o AWS CLI para acessar o aplicativo no modo de recuperação
Para acessar seu aplicativo no modo de recuperação, você deve anexar `--recovery-mode` ao comando [AWS CLI create-app](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-app.html). A seguir é apresentado um exemplo sobre como acessar uma aplicação no modo de recuperação.
Para o exemplo a seguir, você precisará de:
+ *domain-id*
Para obter os detalhes do seu domínio, consulte [Visualizar domínios](domain-view.md).
+ *space-name*
Para obter os nomes de espaço associados ao seu domínio, consulte[Use o AWS CLI para visualizar os espaços de SageMaker IA em seu domínio](sm-console-domain-resources-view.md#sm-console-domain-resources-view-spaces-cli).
+ *app-name*
O nome da sua aplicação. Para visualizar suas aplicações, consulte [Use o AWS CLI para visualizar os aplicativos de SageMaker IA em seu domínio](sm-console-domain-resources-view.md#sm-console-domain-resources-view-apps-cli).
------
#### [ Access Code Editor application in recovery mode ]
```
aws sagemaker create-app \
--app-name app-name \
--app-type CodeEditor \
--domain-id domain-id \
--space-name space-name \
--recovery-mode
```
------
#### [ Access JupyterLab application in recovery mode ]
```
aws sagemaker create-app \
--app-name app-name \
--app-type JupyterLab \
--domain-id domain-id \
--space-name space-name \
--recovery-mode
```
------
## Não é possível excluir o editor de código ou o JupyterLab aplicativo
Esse problema ocorre quando um usuário cria um aplicativo do Amazon SageMaker Studio, que só está disponível no Studio, e depois reverte sua experiência padrão para o Studio Classic. Como resultado, o usuário não pode excluir um aplicativo do Editor de Código, com base no Code-OSS, no Visual Studio Code - Open Source ou JupyterLab porque não consegue acessar a interface do usuário do Studio.
Para resolver esse problema, notifique seu administrador para que ele possa excluir o aplicativo manualmente usando o AWS Command Line Interface (AWS CLI).
## EC2InsufficientCapacityError
Esse problema ocorre quando você tenta executar um espaço e atualmente AWS não tem capacidade sob demanda disponível suficiente para atender à sua solicitação.
Para resolver esse problema, faça o seguinte:
+ Espere alguns minutos e envie sua solicitação novamente. A capacidade pode mudar com frequência.
+ Execute o espaço com um tamanho ou tipo de instância alternativo.
**nota**
A capacidade está disponível em Zonas de Disponibilidade diferentes. Para maximizar a disponibilidade da capacidade para os usuários, recomendamos configurar sub-redes em todas as Zonas de Disponibilidade. O Studio repete todas as Zonas de Disponibilidade disponíveis para o domínio.
A disponibilidade do tipo de instância difere entre as regiões. Para obter uma lista dos tipos de instâncias compatíveis por região, consulte os [preços do Amazon SageMaker AI](https://aws.amazon.com/sagemaker/pricing/))
A tabela a seguir lista as famílias de instâncias e suas alternativas recomendadas.
| Família de instâncias | Tipo de CPU | v CPUs | Memória (GiB) | Tipo de GPU | GPUs | Memória de GPU (GiB) | Alternativa recomendada |
| --- | --- | --- | --- | --- | --- | --- | --- |
| G4dn | Processadores Intel Xeon escaláveis de segunda geração | De 4 a 96 | De 16 a 384 | NVIDIA T4 Tensor Core | 1 a 8 | 16 por GPU | G6 |
| G5 | Processadores AMD EPYC de segunda geração | De 4 a 192 | De 16 a 768 | NVIDIA A10G Tensor Core | 1 a 8 | 24 por GPU | G6e |
| G6 | Processadores AMD EPYC de terceira geração | De 4 a 192 | De 16 a 768 | NVIDIA L4 Tensor Core | 1 a 8 | 24 por GPU | G4dn |
| G6e | Processadores AMD EPYC de terceira geração | De 4 a 192 | De 32 a 1.536 | NVIDIA L40S Tensor Core | 1 a 8 | 48 por GPU | G5, P4 |
| P3 | Processadores Intel Xeon escaláveis | De 8 a 96 | De 61 a 768 | NVIDIA Tesla V100 | 1 a 8 | 16 por GPU (32 por GPU para P3dn) | G6e, P4 |
| P4 | Processadores Intel Xeon escaláveis de segunda geração | 96 | 1152 | NVIDIA A100 Tensor Core | 8 | 320 (640 para P4de) | G6e |
| P5 | Processadores AMD EPYC de terceira geração | 192 | 2000 | NVIDIA H100 Tensor Core | 8 | 640 | P4de |
## Limite insuficiente (é necessário aumentar a cota)
Esse problema ocorre quando você recebe o seguinte erro ao executar um espaço:
```
Error when creating application for space: ... : The account-level service limit is X Apps, with current utilization Y Apps and a request delta of 1 Apps. Please use Service Quotas to request an increase for this quota.
```
Há um limite padrão quanto ao número de instâncias, para cada tipo de instância, que é possível executar em cada Região da AWS. Esse erro significa que você atingiu esse limite.
Para resolver esse problema, solicite um aumento do limite de instância para o espaço em Região da AWS que você está lançando o espaço. Consulte [Solicitar um aumento de cota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html)para ter mais informações.
## Falha ao carregar a imagem personalizada
Esse problema ocorre quando uma imagem de SageMaker IA é excluída antes de separar a imagem do seu domínio. Isso pode ser visto quando você visualiza a guia **Ambiente** do seu domínio.
Para resolver esse problema, você precisará criar uma imagem temporária com o mesmo nome da imagem excluída, desanexar a imagem e, em seguida, excluir a temporária. Use as instruções a seguir para ver uma demonstração.
1. Se você ainda não fez isso, inicie o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. No menu de navegação à esquerda, em **Configurações de administração**, escolha **Domínios**.
1. Escolha o seu domínio.
1. Escolha a guia **Ambiente**. Você verá a mensagem de erro nessa página.
1. Use o ARN da imagem para copiar o nome da sua imagem.
1. No menu de navegação à esquerda, em **Configurações de administração**, escolha **Imagens**.
1. Escolha **Criar imagem**.
1. Siga as etapas do procedimento, mas garanta que o nome da imagem seja igual ao nome da imagem acima.
Se você não tiver uma imagem em um diretório do Amazon ECR, consulte as instruções em [Criar uma imagem personalizada e enviá-la ao Amazon ECR](studio-updated-byoi-how-to-prepare-image.md).
1. Depois de criar sua imagem de SageMaker IA, volte para a guia **Ambiente** do seu domínio. Você verá a imagem anexada ao seu domínio.
1. Selecione a imagem e clique em **Desanexar**.
1. Siga as instruções para desanexar e excluir a imagem temporária da SageMaker IA.
# Migração do Amazon SageMaker Studio Classic
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Quando você abre o Amazon SageMaker Studio, a interface de usuário baseada na web é baseada na experiência padrão escolhida. Atualmente, o Amazon SageMaker AI oferece suporte a duas experiências padrão diferentes: a experiência do Amazon SageMaker Studio e a experiência do Amazon SageMaker Studio Classic. Para acessar os recursos mais recentes do Amazon SageMaker Studio, você deve migrar os domínios existentes da experiência Amazon SageMaker Studio Classic. Ao migrar sua experiência padrão do Studio Classic para o Studio, você não perde nenhum atributo e ainda pode acessar o IDE do Studio Classic dentro do Studio. Para obter informações sobre os benefícios adicionais da experiência do Studio, consulte[SageMaker Estúdio Amazon](studio-updated.md).
**nota**
Para clientes existentes que criaram suas contas antes de 30 de novembro de 2023, o Studio Classic pode ser a experiência padrão. Você pode ativar o Studio como sua experiência padrão usando o AWS Command Line Interface (AWS CLI) ou o console Amazon SageMaker AI. Para ter mais informações sobre o Studio Classic, consulte [Amazon SageMaker Studio clássico](studio.md).
Para clientes que criaram suas contas depois de 30 de novembro de 2023, recomendamos usar o Studio como a experiência padrão, pois ele contém vários ambientes de desenvolvimento integrados (IDEs), incluindo o Studio Classic IDE e outros novos recursos.
JupyterLab 3 atingiu a data de fim da manutenção em 15 de maio de 2024. Depois de 31 de dezembro de 2024, você só poderá criar novos cadernos Studio Classic em JupyterLab 3 por um período limitado. No entanto, após 31 de dezembro de 2024, a SageMaker IA não fornecerá mais correções para problemas críticos nos notebooks Studio Classic em JupyterLab 3. Recomendamos que você migre suas cargas de trabalho para a nova experiência do Studio, que suporta JupyterLab 4.
+ Se o Studio for sua experiência padrão, a interface de usuário será semelhante às imagens encontradas em [Visão geral da interface do usuário do Amazon SageMaker Studio](studio-updated-ui.md).
+ Se o Studio Classic for sua experiência padrão, a interface de usuário será semelhante às imagens encontradas em[Visão geral da interface do usuário do Amazon SageMaker Studio Classic](studio-ui.md).
Para migrar, atualize um domínio em vigor. A migração de um domínio existente do Studio Classic para o Studio requer três fases distintas:
1. **Migrar a interface do usuário do Studio Classic para o Studio**: tarefa única e de baixo custo que exige a criação de um domínio de teste para garantir que o Studio esteja em conformidade com as configurações de rede da sua organização antes de migrar a interface do usuário do domínio existente do Studio Classic para o Studio.
1. **(Opcional) Migrar imagens personalizadas e scripts de configuração do ciclo de vida**: tarefa média para migrar suas imagens personalizadas e scripts de LCC do Studio Classic para o Studio.
1. **(Opcional) Migrar dados do Studio Classic para o Studio**: tarefa pesada que requer o uso de AWS DataSync para migrar dados do volume Amazon Elastic File System do Studio Classic para um volume de destino do Amazon EFS ou do Amazon Elastic Block Store.
1. **(Opcional) Migrar fluxos de dados do Data Wrangler no Studio Classic**: tarefa única e de baixo custo para migrar seus fluxos de dados do Data Wrangler no Studio Classic para o Studio, que você pode acessar na versão mais recente do Studio por meio do Canvas. SageMaker Para obter mais informações, consulte [Migre fluxos de dados do Data Wrangler](studio-updated-migrate-data.md#studio-updated-migrate-flows).
Os tópicos a seguir mostram como concluir essas fases para migrar um domínio existente do Studio Classic para o Studio.
## Migração automática
Entre julho de 2024 e agosto de 2024, estamos atualizando automaticamente a experiência de início padrão dos usuários para a nova experiência Studio. Isso muda apenas a interface de início padrão para a interface de usuário do Studio atualizada. A aplicação Studio Classic ainda pode ser acessado a partir da nova interface do usuário do Studio.
Para garantir que a migração funcione com êxito para seus usuários, consulte [Migrar a interface do usuário do Studio Classic para o Studio](studio-updated-migrate-ui.md). Em especial, verifique se:
+ o perfil de execução do domínio tem as permissões corretas;
+ a experiência de início padrão está definida como Studio;
+ a Amazon VPC do domínio, se aplicável, está configurada para o Studio usando o endpoint da VPC do Studio.
No entanto, se você precisar continuar tendo o Studio Classic como sua interface de usuário padrão por um tempo limitado, defina a experiência de início como Studio Classic explicitamente. Para obter mais informações, consulte [Definir o Studio Classic como a experiência padrão](studio-updated-migrate-ui.md#studio-updated-migrate-revert).
**Topics**
+ [Migração automática](#studio-updated-migrate-auto)
+ [Pré-requisitos completos para migrar a experiência do Studio](studio-updated-migrate-prereq.md)
+ [Migrar a interface do usuário do Studio Classic para o Studio](studio-updated-migrate-ui.md)
+ [(Opcional) Migre imagens personalizadas e configurações de ciclo de vida](studio-updated-migrate-lcc.md)
+ [(Opcional) Migrar dados do Studio Classic para o Studio](studio-updated-migrate-data.md)
# Pré-requisitos completos para migrar a experiência do Studio
A migração da experiência padrão do Studio Classic para o Studio é gerenciada pelo administrador do domínio existente. Se você não tiver permissões para definir o Studio como a experiência padrão para o domínio existente, entre em contato com o administrador. Para migrar sua experiência padrão, você deve ter permissões de administrador ou pelo menos ter permissões para atualizar o domínio existente AWS Identity and Access Management (IAM) e o Amazon Simple Storage Service (Amazon S3). Preencha os pré-requisitos a seguir antes de migrar um domínio existente do Studio Classic para o Studio.
+ A AWS Identity and Access Management função usada para concluir a migração deve ter uma política anexada com pelo menos as seguintes permissões. Para obter informações sobre como criar uma política do IAM, consulte [Criar políticas do IAM](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_create.html).
**nota**
O lançamento do Studio inclui atualizações nas políticas AWS gerenciadas. Para obter mais informações, consulte [SageMaker Atualizações de IA para políticas AWS gerenciadas](security-iam-awsmanpol.md#security-iam-awsmanpol-updates).
+ Permissões necessárias na fase 1:
+ `iam:CreateServiceLinkedRole`
+ `iam:PassRole`
+ `sagemaker:DescribeDomain`
+ `sagemaker:UpdateDomain`
+ `sagemaker:CreateDomain`
+ `sagemaker:CreateUserProfile`
+ `sagemaker:ListApps`
+ `sagemaker:AddTags`
+ `sagemaker:DeleteApp`
+ `sagemaker:DeleteSpace`
+ `sagemaker:UpdateSpace`
+ `sagemaker:DeleteUserProfile`
+ `sagemaker:DeleteDomain`
+ `s3:PutBucketCORS`
+ Permissões necessárias na fase 2 (opcional, somente se estiver usando scripts de configuração do ciclo de vida):
Sem permissões adicionais necessárias. Se o domínio existente tiver configurações de ciclo de vida e imagens personalizadas, o administrador já terá as permissões necessárias.
+ Fase 3: usando as permissões personalizadas necessárias do Amazon Elastic File System (opcional, somente se estiver transferindo dados):
+ `efs:CreateFileSystem`
+ `efs:CreateMountTarget`
+ `efs:DescribeFileSystems`
+ `efs:DescribeMountTargets`
+ `efs:DescribeMountTargetSecurityGroups`
+ `efs:ModifyMountTargetSecurityGroups`
+ `ec2:DescribeSubnets`
+ `ec2:DescribeSecurityGroups`
+ `ec2:DescribeNetworkInterfaceAttribute`
+ `ec2:DescribeNetworkInterfaces`
+ `ec2:AuthorizeSecurityGroupEgress`
+ `ec2:AuthorizeSecurityGroupIngress`
+ `ec2:CreateNetworkInterface`
+ `ec2:CreateNetworkInterfacePermission`
+ `ec2:RevokeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupEgress`
+ `ec2:DeleteSecurityGroup`
+ `datasync:CreateLocationEfs`
+ `datasync:CreateTask`
+ `datasync:StartTaskExecution`
+ `datasync:DeleteTask`
+ `datasync:DeleteLocation`
+ `sagemaker:ListUserProfiles`
+ `sagemaker:DescribeUserProfile`
+ `sagemaker:UpdateDomain`
+ `sagemaker:UpdateUserProfile`
+ A fase 3 de uso do Amazon Simple Storage Service exigiu permissões (opcional, somente se estiver transferindo dados):
+ `iam:CreateRole`
+ `iam:GetRole`
+ `iam:AttachRolePolicy`
+ `iam:DetachRolePolicy`
+ `iam:DeleteRole`
+ `efs:DescribeFileSystems`
+ `efs:DescribeMountTargets`
+ `efs:DescribeMountTargetSecurityGroups`
+ `ec2:DescribeSubnets`
+ `ec2:CreateSecurityGroup`
+ `ec2:DescribeSecurityGroups`
+ `ec2:DescribeNetworkInterfaces`
+ `ec2:CreateNetworkInterface`
+ `ec2:CreateNetworkInterfacePermission`
+ `ec2:DetachNetworkInterfaces`
+ `ec2:DeleteNetworkInterface`
+ `ec2:DeleteNetworkInterfacePermission`
+ `ec2:CreateTags`
+ `ec2:AuthorizeSecurityGroupEgress`
+ `ec2:AuthorizeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupEgress`
+ `ec2:DeleteSecurityGroup`
+ `datasync:CreateLocationEfs`
+ `datasync:CreateLocationS3`
+ `datasync:CreateTask`
+ `datasync:StartTaskExecution`
+ `datasync:DescribeTaskExecution`
+ `datasync:DeleteTask`
+ `datasync:DeleteLocation`
+ `sagemaker:CreateStudioLifecycleConfig`
+ `sagemaker:UpdateDomain`
+ `s3:ListBucket`
+ `s3:GetObject`
+ Acesso aos AWS serviços de um ambiente de terminal em:
+ Sua máquina local usando a AWS CLI versão`2.13+`. Use o comando a seguir para verificar a AWS CLI versão.
```
aws --version
```
+ AWS CloudShell. Para obter mais informações, consulte [O que é AWS CloudShell?](https://docs.aws.amazon.com/cloudshell/latest/userguide/welcome.html)
+ Na sua máquina local ou AWS CloudShell, execute o comando a seguir e forneça suas AWS credenciais. Para obter informações sobre AWS credenciais, consulte [Entendendo e obtendo suas AWS credenciais](https://docs.aws.amazon.com/IAM/latest/UserGuide/security-creds.html).
```
aws configure
```
+ Verifique se o processador JSON leve,jq, está instalado no ambiente do terminal. jqé necessário para analisar AWS CLI as respostas.
```
jq --version
```
Se jq não estiver instalado, instale-o usando os seguintes comandos:
+
```
sudo apt-get install -y jq
```
+
```
sudo yum install -y jq
```
# Migrar a interface do usuário do Studio Classic para o Studio
A primeira fase para migrar um domínio existente envolve a migração da interface do usuário do Amazon SageMaker Studio Classic para o Amazon SageMaker Studio. Essa fase não inclui a migração de dados. Os usuários podem continuar trabalhando com seus dados da mesma forma que faziam antes da migração. Para obter informações sobre a migração de dados, consulte [(Opcional) Migrar dados do Studio Classic para o Studio](studio-updated-migrate-data.md).
A fase 1 consiste nas seguintes etapas:
1. Atualizar as permissões de criação de aplicações para novas aplicações disponíveis no Studio.
1. Atualizar a configuração da VPC para o domínio.
1. Atualizar o domínio para usar a interface do Studio.
## Pré-requisitos
Para configurar esses pré-requisitos, conclua as etapas em [Pré-requisitos completos para migrar a experiência do Studio](studio-updated-migrate-prereq.md).
## Etapa 1: atualizar as permissões de criação de aplicações
Antes de migrar o domínio, atualize a função de execução do domínio para conceder aos usuários permissões para criar aplicações.
1. Crie uma AWS Identity and Access Management política com um dos conteúdos a seguir seguindo as etapas em [Criação de políticas do IAM](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_create.html):
+ Use a política a seguir para conceder permissões para todos os tipos e espaços de aplicações.
**nota**
Se o domínio usar a política `SageMakerFullAccess`, não será necessário executar essa ação. `SageMakerFullAccess` concede permissões para criar todas as aplicações.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "SMStudioUserProfileAppPermissionsCreateAndDelete",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioCreatePresignedDomainUrlForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
{
"Sid": "SMStudioAppPermissionsListAndDescribe",
"Effect": "Allow",
"Action": [
"sagemaker:ListApps",
"sagemaker:ListDomains",
"sagemaker:ListUserProfiles",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:DescribeUserProfile",
"sagemaker:DescribeSpace"
],
"Resource": "*"
},
{
"Sid": "SMStudioAppPermissionsTagOnCreate",
"Effect": "Allow",
"Action": [
"sagemaker:AddTags"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:*/*",
"Condition": {
"Null": {
"sagemaker:TaggingAction": "false"
}
}
},
{
"Sid": "SMStudioRestrictSharedSpacesWithoutOwners",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:space/${sagemaker:DomainId}/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioRestrictSpacesToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:space/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private",
"Shared"
]
}
}
},
{
"Sid": "SMStudioRestrictCreatePrivateSpaceAppsToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private"
]
}
}
},
{
"Sid": "AllowAppActionsForSharedSpaces",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:*:*:app/${sagemaker:DomainId}/*/*/*",
"Condition": {
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Shared"
]
}
}
}
]
}
```
------
+ Como o Studio mostra um conjunto expandido de aplicações, os usuários podem ter acesso a aplicações que não foram exibidos antes. Os administradores podem limitar o acesso a esses aplicativos padrão criando uma política AWS Identity and Access Management (IAM) que concede permissões negadas para alguns aplicativos a usuários específicos.
**nota**
O tipo de aplicação pode ser `jupyterlab` ou `codeeditor`.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "DenySageMakerCreateAppForSpecificAppTypes",
"Effect": "Deny",
"Action": "sagemaker:CreateApp",
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/domain-id/*/app-type/*"
}
]
}
```
------
1. Anexar a política ao perfil de execução do domínio. Para obter instruções, siga as etapas em [Adicionar permissões de identidade do IAM (console)](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console).
## Etapa 2: atualizar a configuração da VPC
Se você usa seu domínio no modo `VPC-Only`, certifique-se de que sua configuração da VPC atenda aos requisitos para usar o Studio no modo `VPC-Only`. Para obter mais informações, consulte [Conecte o Amazon SageMaker Studio em uma VPC a recursos externos](studio-updated-and-internet-access.md).
## Etapa 3: atualizar para a interface de usuário do Studio
Antes de migrar seu domínio existente do Studio Classic para o Studio, recomendamos criar um domínio de teste usando o Studio com as mesmas configurações do seu domínio existente.
### (Opcional) Criar um domínio de teste
Use esse domínio de teste para interagir com o Studio, testar configurações de rede e iniciar aplicações antes de migrar o domínio existente.
1. Obtenha o ID de domínio do seu domínio existente.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio existente.
1. Na página **Detalhes do Domínio**, escolha a guia **Configurações do Domínio**.
1. Copie o **ID do domínio**.
1. Adicione o ID de domínio do seu domínio existente.
```
export REF_DOMAIN_ID="domain-id"
export SM_REGION="region"
```
1. Use `describe-domain` para obter informações importantes sobre o domínio existente.
```
export REF_EXECROLE=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.DefaultUserSettings.ExecutionRole')
export REF_VPC=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.VpcId')
export REF_SIDS=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.SubnetIds | join(",")')
export REF_SGS=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.DefaultUserSettings.SecurityGroups | join(",")')
export AUTHMODE=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.AuthMode')
```
1. Valide os parâmetros.
```
echo "Execution Role: $REF_EXECROLE || VPCID: $REF_VPC || SubnetIDs: $REF_SIDS || Security GroupIDs: $REF_SGS || AuthMode: $AUTHMODE"
```
1. Crie um domínio de teste usando as configurações do domínio existente.
```
IFS=',' read -r -a subnet_ids <<< "$REF_SIDS"
IFS=',' read -r -a security_groups <<< "$REF_SGS"
security_groups_json=$(printf '%s\n' "${security_groups[@]}" | jq -R . | jq -s .)
aws sagemaker create-domain \
--domain-name "TestV2Config" \
--vpc-id $REF_VPC \
--auth-mode $AUTHMODE \
--subnet-ids "${subnet_ids[@]}" \
--app-network-access-type VpcOnly \
--default-user-settings "
{
\"ExecutionRole\": \"$REF_EXECROLE\",
\"StudioWebPortal\": \"ENABLED\",
\"DefaultLandingUri\": \"studio::\",
\"SecurityGroups\": $security_groups_json
}
"
```
1. Depois que o domínio de teste for `In Service`, use o ID do domínio de teste para criar um perfil de usuário. Esse perfil de usuário é usado para iniciar e testar aplicações.
```
aws sagemaker create-user-profile \
--region="$SM_REGION" --domain-id=test-domain-id \
--user-profile-name test-network-user
```
#### Testar funcionalidade do Studio
Inicie o domínio de teste usando o perfil do usuário `test-network-user`. Sugerimos que você teste minuciosamente a interface do usuário do Studio e crie aplicações para testar a funcionalidade do Studio no modo `VPCOnly`. Teste os seguintes fluxos de trabalho:
+ Crie um novo JupyterLab espaço, teste o ambiente e a conectividade.
+ Criar um novo editor de código, baseado em Code-OSS, Visual Studio Code - Open Source Space, ambiente de teste e conectividade.
+ Inicie um nova aplicação Studio Classic, teste o ambiente e a conectividade.
+ Testar a conectividade do Amazon Simple Storage Service com ações de teste de leitura e gravação.
Se esses testes forem bem-sucedidos, atualize o domínio existente. Se você encontrar alguma falha, recomendamos corrigir seus problemas de ambiente e conectividade antes de atualizar o domínio existente.
#### Limpar os recursos do domínio de teste
Depois de migrar o domínio existente, limpe os recursos do domínio de teste.
1. Adicione o ID do domínio de teste.
```
export TEST_DOMAIN="test-domain-id"
export SM_REGION="region"
```
1. Liste todos as aplicações no domínio que estão em execução.
```
active_apps_json=$(aws sagemaker list-apps --region=$SM_REGION --domain-id=$TEST_DOMAIN)
echo $active_apps_json
```
1. Analise a lista JSON de aplicações em execução e exclua-os. Se os usuários tentarem criar uma aplicação para o qual não têm permissões, pode haver espaços que não foram capturados no script a seguir. Será necessário excluir esses espaços manualmente.
```
echo "$active_apps_json" | jq -c '.Apps[]' | while read -r app;
do
if echo "$app" | jq -e '. | has("SpaceName")' > /dev/null;
then
app_type=$(echo "$app" | jq -r '.AppType')
app_name=$(echo "$app" | jq -r '.AppName')
domain_id=$(echo "$app" | jq -r '.DomainId')
space_name=$(echo "$app" | jq -r '.SpaceName')
echo "Deleting App - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || SpaceName: $space_name"
aws sagemaker delete-app --region=$SM_REGION --domain-id=$domain_id \
--app-type $app_type --app-name $app_name --space-name $space_name
echo "Deleting Space - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || SpaceName: $space_name"
aws sagemaker delete-space --region=$SM_REGION --domain-id=$domain_id \
--space-name $space_name
else
app_type=$(echo "$app" | jq -r '.AppType')
app_name=$(echo "$app" | jq -r '.AppName')
domain_id=$(echo "$app" | jq -r '.DomainId')
user_profile_name=$(echo "$app" | jq -r '.UserProfileName')
echo "Deleting Studio Classic - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || UserProfileName: $user_profile_name"
aws sagemaker delete-app --region=$SM_REGION --domain-id=$domain_id \
--app-type $app_type --app-name $app_name --user-profile-name $user_profile_name
fi
done
```
1. Exclua o perfil de usuário de teste.
```
aws sagemaker delete-user-profile \
--region=$SM_REGION --domain-id=$TEST_DOMAIN \
--user-profile-name "test-network-user"
```
1. Exclua o domínio de teste.
```
aws sagemaker delete-domain \
--region=$SM_REGION --domain-id=$TEST_DOMAIN
```
Depois de testar a funcionalidade do Studio com as configurações em seu domínio de teste, migre o domínio existente. Quando o Studio é a experiência padrão para um domínio, o Studio é a experiência padrão para todos os usuários no domínio. No entanto, as configurações do usuário têm precedência sobre as configurações do domínio. Portanto, se um usuário tiver sua experiência padrão definida como Studio Classic em suas configurações de usuário, esse usuário terá o Studio Classic como experiência padrão.
Você pode migrar o domínio existente atualizando-o no console de SageMaker IA AWS CLI, no ou AWS CloudFormation. Escolha uma das guias a seguir para visualizar as instruções relevantes.
### Defina o Studio como a experiência padrão para o domínio existente usando o console SageMaker AI
Você pode definir o Studio como a experiência padrão para o domínio existente usando o console de SageMaker IA.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio existente para o qual você quer habilitar o Studio como a experiência padrão.
1. Na página de **Detalhes do domínio**, abra **Ativar o novo Studio**.
1. (Opcional) Para ver os detalhes sobre as etapas envolvidas na ativação do Studio como sua experiência padrão, escolha **Exibir detalhes**. A página mostra o seguinte:
+ Na seção **Visão geral do SageMaker Studio**, você pode ver os aplicativos incluídos ou disponíveis na interface web do Studio.
+ Na seção **Processo de capacitação**, você pode ver as descrições das tarefas do fluxo de trabalho para habilitar o Studio.
**nota**
Você precisará migrar seus dados manualmente. Para obter instruções sobre como migrar seus dados, consulte [(Opcional) Migrar dados do Studio Classic para o Studio](studio-updated-migrate-data.md).
+ Na seção **Reverter para a experiência do Studio Classic**, você pode ver como voltar para o Studio Classic depois de ativar o Studio como sua experiência padrão.
1. Para iniciar o processo de habilitar o Studio como sua experiência padrão, escolha **Habilitar o novo Studio**.
1. Na seção **Especificar e configurar a função**, você pode visualizar as aplicações padrão que são incluídos automaticamente no Studio.
Para impedir que os usuários executem esses aplicações, escolha o perfil do AWS Identity and Access Management (IAM) que tem uma política do IAM que nega o acesso. Para obter informações sobre como criar uma política para limitar o acesso, consulte [Etapa 1: atualizar as permissões de criação de aplicações](#studio-updated-migrate-limit-apps).
1. Na seção **Escolha o bucket padrão do S3 para anexar a política do CORS**, você pode dar ao Studio acesso aos buckets do Amazon S3. O bucket padrão do Amazon S3, nesse caso, é o bucket padrão do Amazon S3 para o Studio Classic. Nesta etapa, você pode fazer o seguinte:
+ Verifique o bucket Amazon S3 padrão do domínio ao qual anexar a política do CORS. Se o seu domínio não tiver um bucket padrão do Amazon S3, a SageMaker AI cria um bucket do Amazon S3 com a política de CORS correta anexada.
+ Você pode incluir 10 buckets adicionais do Amazon S3 aos quais anexar a política do CORS.
Se quiser incluir mais de 10 buckets, você pode adicioná-los manualmente. Para obter mais informações sobre como anexar manualmente a política CORS aos buckets do Amazon S3, consulte [(Opcional) Atualizar a política CORS para acessar os buckets do Amazon S3](#studio-updated-migrate-cors).
Para continuar, marque a caixa de seleção ao lado de **Você concorda em substituir alguma política de CORS existente nos buckets do Amazon S3 escolhidos?**.
1. A seção **Migrar dados** contém informações sobre os diferentes volumes de armazenamento de dados do Studio Classic e do Studio. Seus dados não serão migrados automaticamente por meio desse processo. Para obter instruções sobre como migrar seus dados, configurações de ciclo de vida e JupyterLab extensões, consulte. [(Opcional) Migrar dados do Studio Classic para o Studio](studio-updated-migrate-data.md)
1. Depois de concluir as tarefas na página e verificar sua configuração, escolha **Habilitar o novo Studio**.
### Defina o Studio como a experiência padrão para o domínio existente usando o AWS CLI
Para definir o Studio como a experiência padrão para o domínio existente usando a AWS CLI, use a chamada [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html). Você deve definir `ENABLED` como o valor para `StudioWebPortal` e definir `studio::` como o valor para `DefaultLandingUri` como parte do parâmetro `default-user-settings`.
`StudioWebPortal` indica se a experiência do Studio é a experiência padrão e `DefaultLandingUri` indica a experiência padrão para a qual o usuário é direcionado ao acessar o domínio. Neste exemplo, definir esses valores em um nível de domínio (no `default-user-settings`) torna o Studio a experiência padrão para usuários dentro do domínio.
Se um usuário dentro do domínio tiver seu `StudioWebPortal` definido como `DISABLED` e `DefaultLandingUri` definido como `app:JupyterServer:` em um nível de usuário (no `UserSettings`), isso terá precedência sobre as configurações do domínio. Em outras palavras, esse usuário terá o Studio Classic como sua experiência padrão, independentemente das configurações do domínio.
O seguinte exemplo de código mostra como definir o Studio como a experiência padrão para usuários no domínio:
```
aws sagemaker update-domain \
--domain-id existing-domain-id \
--region Região da AWS \
--default-user-settings '
{
"StudioWebPortal": "ENABLED",
"DefaultLandingUri": "studio::"
}
'
```
+ Para obter o `existing-domain-id`, use as seguintes instruções:
**Para obter o `existing-domain-id`**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio existente.
1. Na página **Detalhes do Domínio**, escolha a guia **Configurações do Domínio**.
1. Copie o **ID do domínio**.
+ Para garantir que você esteja usando o correto Região da AWS para seu domínio, use as seguintes instruções:
**Para obter o `Região da AWS`**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio existente.
1. Na página **Detalhes do domínio**, verifique se esse é o domínio existente.
1. Expanda a lista Região da AWS suspensa no canto superior direito do console de SageMaker IA e use o Região da AWS ID correspondente à direita do seu Região da AWS nome. Por exemplo, .`us-west-1`
Depois de migrar sua experiência padrão para o Studio, você pode dar ao Studio acesso aos buckets do Amazon S3. Por exemplo, você pode incluir acesso ao seu bucket Amazon S3 padrão do Studio Classic e buckets adicionais do Amazon S3. Para fazer isso, você deve anexar manualmente uma configuração de [Compartilhamento de recursos de origem cruzada](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS) (CORS) aos buckets do Amazon S3. Para obter mais informações sobre como anexar manualmente a política do CORS aos buckets do Amazon S3, consulte [(Opcional) Atualizar a política CORS para acessar os buckets do Amazon S3](#studio-updated-migrate-cors).
Da mesma forma, você pode definir o Studio como a experiência padrão ao criar um domínio AWS CLI usando a chamada [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html).
### Defina o Studio como a experiência padrão para o domínio existente usando o AWS CloudFormation
Você pode definir a experiência padrão ao criar um domínio usando o AWS CloudFormation. Para obter um modelo de CloudFormation migração, consulte [Modelos de IaC do SageMaker Studio Administrator](https://github.com/aws-samples/sagemaker-studio-admin-iac-templates/tree/main?tab=readme-ov-file#phase-1-migration). Para obter mais informações sobre como criar um domínio usando CloudFormation, consulte [Criação de domínio Amazon SageMaker AI usando CloudFormation](https://github.com/aws-samples/cloudformation-studio-domain?tab=readme-ov-file#creating-sagemaker-studio-domains-using-cloudformation).
Para obter informações sobre o recurso de domínio suportado pelo AWS CloudFormation, consulte [AWS:: SageMaker AI: :Domain](https://docs.aws.amazon.com//AWSCloudFormation/latest/UserGuide/aws-resource-sagemaker-domain.html#cfn-sagemaker-domain-defaultusersettings).
Depois de migrar sua experiência padrão para o Studio, você pode dar ao Studio acesso aos buckets do Amazon S3. Por exemplo, você pode incluir acesso ao seu bucket Amazon S3 padrão do Studio Classic e buckets adicionais do Amazon S3. Para fazer isso, você deve anexar manualmente uma configuração de [Compartilhamento de recursos de origem cruzada](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS) (CORS) aos buckets do Amazon S3. Para obter informações sobre como anexar manualmente a política do CORS aos seus buckets do Amazon S3, consulte [(Opcional) Atualizar a política CORS para acessar os buckets do Amazon S3](#studio-updated-migrate-cors).
### (Opcional) Atualizar a política CORS para acessar os buckets do Amazon S3
No Studio Classic, os usuários podem criar, listar e carregar arquivos para buckets do Amazon Simple Storage Service (Amazon S3). Para oferecer apoio à mesma experiência no Studio, os administradores devem anexar uma configuração de [Compartilhamento de recursos de origem cruzada](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS) (CORS) aos buckets do Amazon S3. Isso é necessário porque o Studio faz chamadas para o Amazon S3 a partir do navegador da Internet. O navegador invoca o CORS em nome dos usuários. Como resultado, todas as solicitações para os buckets do Amazon S3 falham, a menos que a política do CORS esteja anexada aos buckets do Amazon S3.
Talvez seja necessário anexar manualmente a política do CORS aos buckets do Amazon S3 pelos seguintes motivos:
+ Se já houver um bucket padrão do Amazon S3 que não tenha a política CORS correta anexada quando você migra a experiência padrão do domínio existente para o Studio.
+ Se você estiver usando o AWS CLI para migrar a experiência padrão do domínio existente para o Studio. Para obter informações sobre como usar o AWS CLI para migrar, consulte[Defina o Studio como a experiência padrão para o domínio existente usando o AWS CLI](#studio-updated-migrate-set-studio-updated-cli).
+ Se você quiser anexar a política do CORS a buckets adicionais do Amazon S3.
**nota**
Se você planeja usar o console de SageMaker IA para habilitar o Studio como sua experiência padrão, os buckets do Amazon S3 aos quais você anexa a política de CORS terão suas políticas de CORS existentes substituídas durante a migração. Por isso, você pode ignorar as instruções do manual a seguir.
No entanto, se você já usou o console de SageMaker IA para migrar e deseja incluir mais buckets do Amazon S3 aos quais anexar a política do CORS, continue com as instruções manuais a seguir.
O procedimento a seguir mostra como adicionar manualmente a configuração de CORS a um bucket do Amazon S3.
**Adicionar uma configuração CORS a um bucket do Amazon S3**
1. Verifique se há um bucket do Amazon S3 no mesmo domínio existente com o Região da AWS seguinte nome. Para obter instruções, consulte [Visualizar as propriedades de um bucket do Amazon S3](https://docs.aws.amazon.com//AmazonS3/latest/userguide/view-bucket-properties.html).
```
sagemaker-region-account-id
```
1. Adicione uma configuração CORS com o conteúdo a seguir ao bucket padrão do Amazon S3. Para obter instruções, consulte [Configurar o compartilhamento de recursos de origem cruzada (CORS)](https://docs.aws.amazon.com//AmazonS3/latest/userguide/enabling-cors-examples.html).
```
[
{
"AllowedHeaders": [
"*"
],
"AllowedMethods": [
"POST",
"PUT",
"GET",
"HEAD",
"DELETE"
],
"AllowedOrigins": [
"https://*.sagemaker.aws"
],
"ExposeHeaders": [
"ETag",
"x-amz-delete-marker",
"x-amz-id-2",
"x-amz-request-id",
"x-amz-server-side-encryption",
"x-amz-version-id"
]
}
]
```
### (Opcional) Migrar do Data Wrangler no Studio Classic para o Canvas SageMaker
O Amazon SageMaker Data Wrangler existe como seu próprio recurso na experiência do Studio Classic. Ao habilitar o Studio como sua experiência padrão, use o aplicativo [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) para acessar a funcionalidade do Data Wrangler. SageMaker O Canvas é um aplicativo no qual você pode treinar e implantar modelos de aprendizado de máquina sem escrever nenhum código, e o Canvas fornece recursos de preparação de dados baseados no Data Wrangler.
A nova experiência do Studio não é compatível com a interface clássica do Data Wrangler, e você deve criar uma aplicação Canvas se quiser continuar usando o Data Wrangler. No entanto, você deve ter as permissões necessárias para criar e usar aplicações do Canvas.
Conclua as etapas a seguir para anexar as políticas de permissões necessárias à função do AWS IAM do seu domínio de SageMaker IA ou usuário.
**Conceder permissões para a funcionalidade do Data Wrangler dentro do Canvas**
1. Anexe a política AWS gerenciada [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol.html#security-iam-awsmanpol-AmazonSageMakerFullAccess)à função do IAM do seu usuário. Para um procedimento que mostra como anexar políticas do IAM a um perfil, consulte [Adicionar permissões de identidade do IAM (console)](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console) no *Guia do usuário do AWS IAM*.
Se essa política de permissões for muito permissiva para seu caso de uso, você poderá criar políticas com escopo reduzido que incluam pelo menos as seguintes permissões:
```
{
"Sid": "AllowStudioActions",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl",
"sagemaker:DescribeDomain",
"sagemaker:ListDomains",
"sagemaker:DescribeUserProfile",
"sagemaker:ListUserProfiles",
"sagemaker:DescribeSpace",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:ListApps"
],
"Resource": "*"
},
{
"Sid": "AllowAppActionsForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:region:account-id:app/domain-id/user-profile-name/canvas/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
}
```
1. Anexe a política AWS gerenciada [AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)à função do IAM do seu usuário.
Depois de anexar as permissões necessárias, você pode criar uma aplicação Canvas e fazer login. Para obter mais informações, consulte [Começando a usar o Amazon SageMaker Canvas](canvas-getting-started.md).
Depois de fazer login no Canvas, você pode acessar diretamente o Data Wrangler e começar a criar fluxos de dados. Para obter mais informações, consulte [preparação de dados](canvas-data-prep.md) na documentação do Canvas.
### (Opcional) Migrar do piloto automático no Studio Classic para o Canvas SageMaker
[O Amazon SageMaker Autopilot](https://docs.aws.amazon.com/sagemaker/AWSIronmanApiDoc/integ/npepin-studio-migration-autopilot-to-canvas/latest/dg/autopilot-automate-model-development.html) existe como seu próprio recurso na experiência do Studio Classic. Ao migrar para a experiência atualizada do Studio, use o aplicativo [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) para continuar usando os mesmos recursos de aprendizado de máquina automatizado (AutoML) por meio de uma interface de usuário (UI). SageMaker O Canvas é um aplicativo no qual você pode treinar e implantar modelos de aprendizado de máquina sem escrever nenhum código, e o Canvas fornece uma interface de usuário para executar suas tarefas do AutoML.
A nova experiência do Studio não é compatível com a interface clássica do Autopilot. Você deve criar uma aplicação Canvas se quiser continuar usando os atributos AutoML do Autopilot por meio de uma interface de usuário.
No entanto, você deve ter as permissões necessárias para criar e usar aplicações do Canvas.
+ Se você estiver acessando o SageMaker Canvas a partir do Studio, adicione essas permissões à função de execução do seu domínio de SageMaker IA ou perfil de usuário.
+ Se você estiver acessando o SageMaker Canvas a partir do console, adicione essas permissões à função do AWS IAM do seu usuário.
+ Se você estiver acessando o SageMaker Canvas por meio de uma [URL pré-assinada](https://docs.aws.amazon.com/sagemaker/latest/dg/setting-up-canvas-sso.html#canvas-optional-access), adicione essas permissões à função do IAM que você está usando para acessar o Okta SSO.
Para habilitar os recursos do AutoML no Canvas, adicione as seguintes políticas à sua função de execução ou função de usuário do IAM:
+ AWS política gerenciada: [`CanvasFullAccess`.](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)
+ Política em linha:
```
{
"Sid": "AllowAppActionsForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:region:account-id:app/domain-id/user-profile-name/canvas/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
}
```
**Anexar políticas do IAM a um perfil de execução**
1.
**Encontre a função de execução associada ao seu perfil de usuário de SageMaker IA**
1. No console de SageMaker IA[https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/), navegue até **Domínios** e escolha seu domínio de SageMaker IA.
1. O ARN do perfil de execução está listado em *Perfil de execução* na página **Detalhes do usuário** do seu perfil de usuário. Observe o nome do perfil de execução no ARN.
1. No console do IAM [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/), escolha **Roles**.
1. Procure sua função por nome no campo de pesquisa.
1. Selecione a função.
1. Adicionar políticas ao perfil
1. No console do IAM [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/), escolha **Roles**.
1. Procure sua função por nome no campo de pesquisa.
1. Selecione a função.
1. Na guia **Permissões**, navegue até o menu suspenso **Adicionar permissões**.
1.
+ Para políticas gerenciadas: selecione **Anexar políticas**, pesquise o nome da política de gerenciamento que você deseja anexar.
Selecione a política e escolha **Adicionar permissões**.
+ Para políticas em linha: selecione **Criar política em linha**, cole sua política na guia JSON, escolha Avançar, nomeie sua política e escolha **Criar**.
Para um procedimento que mostra como anexar políticas do IAM a um perfil, consulte [Adicionar permissões de identidade do IAM (console)](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console) no *Guia do usuário do AWS IAM*.
Depois de anexar as permissões necessárias, você pode criar uma aplicação Canvas e fazer login. Para obter mais informações, consulte [Começando a usar o Amazon SageMaker Canvas](canvas-getting-started.md).
## Definir o Studio Classic como a experiência padrão
Os administradores podem reverter para o Studio Classic como a experiência padrão para um domínio existente. Isso pode ser feito por meio da AWS CLI.
**nota**
Quando o Studio Classic é definido como a experiência padrão para um domínio, o Studio Classic é a experiência padrão para todos os usuários no domínio. No entanto, as configurações em nível de usuário têm precedência sobre as configurações em nível de domínio. Portanto, se um usuário tiver sua experiência padrão definida como Studio, esse usuário terá o Studio como experiência padrão.
Para reverter para o Studio Classic como a experiência padrão para o domínio existente usando o AWS CLI, use a chamada [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html). Como parte do campo `default-user-settings`, você deve definir:
+ O valor do `StudioWebPortal` como `DISABLED`.
+ O valor do `DefaultLandingUri` como `app:JupyterServer:`.
`StudioWebPortal` indica se a experiência do Studio é a experiência padrão e `DefaultLandingUri` indica a experiência padrão para a qual o usuário é direcionado ao acessar o domínio. Neste exemplo, definir esses valores em um nível de domínio (no `default-user-settings`) torna o Studio Classic a experiência padrão para usuários dentro do domínio.
Se um usuário dentro do domínio tiver seu `StudioWebPortal` definido como `ENABLED` e `DefaultLandingUri` definido como `studio::` em nível de usuário (em `UserSettings`), isso terá precedência sobre as configurações do domínio. Em outras palavras, esse usuário terá o Studio como sua experiência padrão, independentemente das configurações em nível de domínio.
O seguinte exemplo de código mostra como definir o Studio Classic como a experiência padrão para usuários no domínio:
```
aws sagemaker update-domain \
--domain-id existing-domain-id \
--region Região da AWS \
--default-user-settings '
{
"StudioWebPortal": "DISABLED",
"DefaultLandingUri": "app:JupyterServer:"
}
'
```
Use as instruções a seguir para obter seu `existing-domain-id`.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio existente.
1. Na página **Detalhes do Domínio**, escolha a guia **Configurações do Domínio**.
1. Copie o **ID do domínio**.
Para obter o seu`Região da AWS`, use as instruções a seguir para garantir que você esteja usando o correto Região da AWS para o seu domínio.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador** e selecione **Domínios**.
1. Escolha o domínio existente.
1. Na página **Detalhes do domínio**, verifique se esse é o domínio existente.
1. Expanda a lista Região da AWS suspensa no canto superior direito do console de SageMaker IA e use o Região da AWS ID correspondente à direita do seu Região da AWS nome. Por exemplo, .`us-west-1`
# (Opcional) Migre imagens personalizadas e configurações de ciclo de vida
Você deve atualizar suas imagens personalizadas e scripts de configuração do ciclo de vida (LCC) para trabalhar com o modelo de execução local simplificado no Amazon Studio. SageMaker Se você não criou imagens personalizadas ou configurações de ciclo de vida em seu domínio, pule esta fase.
O Amazon SageMaker Studio Classic opera em um ambiente dividido com:
+ Uma aplicação do `JupyterServer` executando o Jupyter Server.
+ Cadernos do Studio Classic em execução em um ou mais aplicações do `KernelGateway`.
O Studio se afastou de um ambiente dividido. O Studio executa o JupyterLab e o Code Editor, com base nos aplicativos Code-OSS, Visual Studio Code - Open Source em um modelo de tempo de execução local. Para obter mais informações sobre a mudança na arquitetura, consulte [Aumentar a produtividade no Amazon SageMaker Studio](https://aws.amazon.com/blogs//machine-learning/boost-productivity-on-amazon-sagemaker-studio-introducing-jupyterlab-spaces-and-generative-ai-tools/).
## Migração de imagens personalizadas
Suas imagens personalizadas existentes do Studio Classic podem não funcionar no Studio. Recomendamos criar uma nova imagem personalizada que atenda aos requisitos de uso no Studio. O lançamento do Studio simplifica o processo de criação de imagens personalizadas fornecendo[SageMaker Política de suporte de imagem do Studio](sagemaker-distribution.md). SageMaker As imagens de distribuição de IA incluem bibliotecas e pacotes populares para visualização de aprendizado de máquina, ciência de dados e análise de dados. Para obter uma lista de imagens básicas de SageMaker distribuição e informações da conta do Amazon Elastic Container Registry, consulte[SageMaker Imagens da Amazon disponíveis para uso com notebooks Studio Classic](notebooks-available-images.md).
Para criar uma imagem personalizada, preencha uma das opções a seguir.
+ Estenda uma imagem de SageMaker distribuição com pacotes e módulos personalizados. Essas imagens são pré-configuradas com um editor JupyterLab de código, baseado em Code-OSS, Visual Studio Code - Open Source.
+ Crie um arquivo Dockerfile personalizado seguindo as instruções em [Traga sua própria imagem (BYOI)](studio-updated-byoi.md). Você deve instalar JupyterLab e o código aberto CodeServer na imagem para torná-la compatível com o Studio.
## Configuração de migração do ciclo de vida
Devido ao modelo simplificado de tempo de execução local no Studio, recomendamos migrar a estrutura do seu Studio Classic LCCs existente. No Studio Classic, geralmente é necessário criar configurações de ciclo de vida separadas para ambos e para as aplicações do KernelGateway e JupyterServer. Como os KernelGateway aplicativos JupyterServer e são executados em recursos computacionais separados no Studio Classic, o Studio Classic LCCs pode ser de qualquer tipo:
+ JupyterServerLCC: elas controlam LCCs principalmente as ações domésticas do usuário, incluindo configuração de proxy, criação de variáveis de ambiente e desligamento automático de recursos.
+ KernelGatewayLCC: Eles LCCs controlam as otimizações do ambiente do notebook Studio Classic. Isso inclui a atualização das versões do pacote numpy no kernel `Data Science 3.0` e a instalação do pacote snowflake no kernel `Pytorch 2.0 GPU`.
Na arquitetura simplificada do Studio, você só precisa de um script de LCC que seja executado na inicialização da aplicação. Embora a migração de seus scripts de LCC varie com base no ambiente de desenvolvimento, recomendamos combinar JupyterServer e KernelGateway LCCs criar uma LCC combinada.
LCCs no Studio pode ser associado a um dos seguintes aplicativos:
+ JupyterLab
+ Editor de código
Os usuários podem selecionar a LCC para o respectivo tipo de aplicação ao criar um espaço ou usar a LCC padrão definida pelo administrador.
**nota**
Os scripts de desligamento automático existentes do Studio Classic não funcionam com o Studio. Para ver um exemplo do script de desligamento automático do Studio, consulte Exemplos de configuração do [ciclo de vida do SageMaker Studio](https://github.com/aws-samples/sagemaker-studio-apps-lifecycle-config-examples).
### Considerações ao refatorar LCCs
Considere as seguintes diferenças entre o Studio Classic e o Studio ao refatorar seu. LCCs
+ JupyterLab e os aplicativos do Code Editor, quando criados, são executados como `sagemaker-user` com `UID:1001` `GID:101` e. Por padrão, `sagemaker-user` tem permissões para assumir sudo/root permissões. KernelGatewayos aplicativos são `root` executados como padrão.
+ SageMaker As imagens de distribuição que são executadas dentro JupyterLab e os aplicativos do Code Editor usam o gerenciador de pacotes Debian baseado,`apt-get`.
+ Os aplicativos Studio JupyterLab e Code Editor usam o gerenciador de Conda pacotes. SageMaker A IA cria um Python3 Conda ambiente básico único quando um aplicativo Studio é lançado. Para informações sobre a atualização de pacotes no ambiente Conda base e a criação de novos ambientes Conda, consulte [JupyterLab guia do usuário](studio-updated-jl-user-guide.md). Por outro lado, nem todas as aplicações do KernelGateway usam o Conda como gerenciador de pacotes.
+ O JupyterLab aplicativo Studio usa`JupyterLab 4.0`, enquanto o Studio Classic usa`JupyterLab 3.0`. Verifique se todas as extensões do JupyterLab que você usa são compatíveis com o `JupyterLab 4.0`. Para obter mais informações sobre extensões, consulte [Compatibilidade de extensões com JupyterLab 4.0](https://github.com/jupyterlab/jupyterlab/issues/14590).
# (Opcional) Migrar dados do Studio Classic para o Studio
O Studio Classic e o Studio usam dois tipos diferentes de volumes de armazenamento. O Studio Classic usa um único volume do Amazon Elastic File System (Amazon EFS) para armazenar dados de todos os usuários e espaços compartilhados no domínio. No Studio, cada espaço tem seu próprio volume do Amazon Elastic Block Store (Amazon EBS). Quando você atualiza a experiência padrão de um domínio existente, a SageMaker IA monta automaticamente uma pasta em um volume do Amazon EFS para cada usuário em um domínio. Como resultado, os usuários podem acessar arquivos do Studio Classic em suas aplicações do Studio. Para obter mais informações, consulte [Montagem automática do Amazon EFS no Studio](studio-updated-automount.md).
Você também pode desativar a montagem automática do Amazon EFS e migrar manualmente os dados para dar aos usuários acesso aos arquivos do Studio Classic nas aplicações do Studio. Para fazer isso, transfira os arquivos dos diretórios pessoais do usuário para os volumes do Amazon EBS associados a esses espaços. A seção a seguir apresenta informações sobre esse fluxo de trabalho. Para obter mais informações a respeito de como optar por não participar da montagem automática do Amazon EFS, consulte [Desativar a montagem automática do Amazon EFS](studio-updated-automount-optout.md).
## Migrar manualmente todos os seus dados do Studio Classic
A seção a seguir descreve como migrar todos os dados do volume de armazenamento do Studio Classic para a nova experiência do Studio.
Ao migrar manualmente os dados, o código e os artefatos de um usuário do Studio Classic para o Studio, recomendamos uma das seguintes abordagens:
1. Como usar um volume personalizado do Amazon EFS
1. Como usar o Amazon Simple Storage Service (Amazon S3)
Se você usou o Amazon SageMaker Data Wrangler no Studio Classic e quiser migrar seus arquivos de fluxo de dados, escolha uma das seguintes opções para migração:
+ Se você quiser migrar todos os dados do seu volume de armazenamento do Studio Classic, incluindo seus arquivos de fluxo de dados, acesse [Migrar manualmente todos os seus dados do Studio Classic](#studio-updated-migrate-data-all) e conclua a seção **Usar o Amazon S3 para migrar dados**. Depois, acesse a seção [Importe os arquivos de fluxo para o Canvas](#studio-updated-migrate-flows-import).
+ Se quiser migrar apenas seus arquivos de fluxo de dados e nenhum outro dado do seu volume de armazenamento do Studio Classic, acesse a seção [Migre fluxos de dados do Data Wrangler](#studio-updated-migrate-flows).
### Pré-requisitos
Para configurar esses pré-requisitos, conclua as etapas em [Pré-requisitos completos para migrar a experiência do Studio](studio-updated-migrate-prereq.md). Conclua também as etapas em[Migrar a interface do usuário do Studio Classic para o Studio](studio-updated-migrate-ui.md).
### Como escolher uma abordagem
Considere o seguinte ao escolher uma abordagem para migrar seus dados do Studio Classic:
** Prós e contras do uso de um volume personalizado do Amazon EFS**
Nessa abordagem, você usa uma AWS DataSync tarefa do Amazon EFS-to-Amazon EFS (uma vez ou cadência) para copiar dados e, em seguida, montar o volume de destino do Amazon EFS nos espaços de um usuário. Isso dá aos usuários acesso aos dados do Studio Classic em seus ambientes de computação do Studio.
Prós:
+ Somente os dados do diretório inicial do usuário são visíveis nos espaços do usuário. Não há polinização cruzada de dados.
+ A sincronização do volume de origem do Amazon EFS com um volume de destino do Amazon EFS é mais segura do que montar diretamente o volume de origem do Amazon EFS gerenciado pela SageMaker IA em espaços. Isso evita o potencial de impactar os arquivos do usuário do diretório inicial.
+ Os usuários têm a flexibilidade de continuar trabalhando nas aplicações do Studio Classic e do Studio, ao mesmo tempo em que têm seus dados disponíveis em ambas as aplicações, se o AWS DataSync estiver configurado regularmente.
+ Não há necessidade de empurrar e puxar repetidamente com o Amazon S3.
Contras:
+ Sem acesso de gravação ao volume de destino do Amazon EFS montado nos espaços do usuário. Para ter acesso de gravação ao volume de destino do Amazon EFS, os clientes precisariam montar o volume alvo do Amazon EFS em uma instância do Amazon Elastic Compute Cloud e fornecer as permissões apropriadas para os usuários gravarem no prefixo do Amazon EFS.
+ Requer modificação nos grupos de segurança gerenciados pela SageMaker IA para permitir o fluxo de entrada e saída do sistema de arquivos de rede (NFS).
+ Custa mais do que usar o Amazon S3.
+ Ao [migrar fluxos de dados do Data Wrangler no Studio Classic](#studio-updated-migrate-flows), você deve seguir as etapas para exportar manualmente os arquivos de fluxo.
**Prós e contras do uso do Amazon S3**
Nessa abordagem, você usa uma AWS DataSync tarefa do Amazon EFS-to-Amazon S3 (uma vez ou cadência) para copiar dados e, em seguida, cria uma configuração de ciclo de vida para copiar os dados do usuário do Amazon S3 para o volume Amazon EBS de seu espaço privado.
Prós:
+ Se a LCC estiver anexada ao domínio, os usuários poderão optar por usar a LCC para copiar dados para seu espaço ou executar o espaço sem o script da LCC. Isso dá aos usuários a opção de copiar seus arquivos somente nos espaços de que precisam.
+ Se uma AWS DataSync tarefa for configurada em uma cadência, os usuários poderão reiniciar o aplicativo Studio para obter os arquivos mais recentes.
+ Como os dados são copiados para o Amazon EBS, os usuários têm permissões de gravação nos arquivos.
+ O armazenamento do Amazon S3 é mais barato que o Amazon EFS.
+ Se estiver [migrando fluxos de dados do Data Wrangler no Studio Classic](#studio-updated-migrate-flows), você pode pular as etapas de exportação manual e importar diretamente os fluxos de dados do SageMaker Amazon S3 para o Canvas.
Contras:
+ Se os administradores precisarem evitar a polinização cruzada, eles devem criar políticas de AWS Identity and Access Management no nível do usuário para garantir que os usuários só possam acessar o prefixo do Amazon S3 que contém seus arquivos.
### Use um volume personalizado do Amazon EFS para migrar dados
Nessa abordagem, você usa um Amazon EFS-to-Amazon EFS AWS DataSync para copiar o conteúdo de um volume Studio Classic Amazon EFS para um volume de destino do Amazon EFS uma vez ou em um ritmo regular e, em seguida, montar o volume de destino do Amazon EFS nos espaços de um usuário. Isso dá aos usuários acesso aos dados do Studio Classic em seus ambientes de computação do Studio.
1. Crie um volume de destino do Amazon EFS. Você transferirá dados para esse volume do Amazon EFS e o montará no espaço de um usuário correspondente usando a montagem em nível de prefixo.
```
export SOURCE_DOMAIN_ID="domain-id"
export AWS_REGION="region"
export TARGET_EFS=$(aws efs create-file-system --performance-mode generalPurpose --throughput-mode bursting --encrypted --region $REGION | jq -r '.FileSystemId')
echo "Target EFS volume Created: $TARGET_EFS"
```
1. Adicione variáveis para o volume de origem do Amazon EFS atualmente anexado ao domínio e usado por todos os usuários. As informações da Amazon Virtual Private Cloud do domínio são necessárias para garantir que o Amazon EFS de destino seja criado na mesma Amazon VPC e sub-rede, com a mesma configuração de grupo de segurança.
```
export SOURCE_EFS=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.HomeEfsFileSystemId')
export VPC_ID=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.VpcId')
echo "EFS managed by SageMaker: $SOURCE_EFS | VPC: $VPC_ID"
```
1. Crie um destino de montagem do Amazon EFS na mesma Amazon VPC e sub-rede do volume de origem do Amazon EFS, com a mesma configuração de grupo de segurança. O alvo de montagem leva alguns minutos para ficar disponível.
```
export EFS_VPC_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].VpcId")
export EFS_AZ_NAME=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].AvailabilityZoneName")
export EFS_AZ_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].AvailabilityZoneId")
export EFS_SUBNET_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].SubnetId")
export EFS_MOUNT_TARG_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].MountTargetId")
export EFS_SG_IDS=$(aws efs describe-mount-target-security-groups --mount-target-id $EFS_MOUNT_TARG_ID | jq -r '.SecurityGroups[]')
aws efs create-mount-target \
--file-system-id $TARGET_EFS \
--subnet-id $EFS_SUBNET_ID \
--security-groups $EFS_SG_IDS
```
1. Crie locais de origem e destino do Amazon EFS para a AWS DataSync tarefa.
```
export SOURCE_EFS_ARN=$(aws efs describe-file-systems --file-system-id $SOURCE_EFS | jq -r ".FileSystems[0].FileSystemArn")
export TARGET_EFS_ARN=$(aws efs describe-file-systems --file-system-id $TARGET_EFS | jq -r ".FileSystems[0].FileSystemArn")
export EFS_SUBNET_ID_ARN=$(aws ec2 describe-subnets --subnet-ids $EFS_SUBNET_ID | jq -r ".Subnets[0].SubnetArn")
export ACCOUNT_ID=$(aws ec2 describe-security-groups --group-id $EFS_SG_IDS | jq -r ".SecurityGroups[0].OwnerId")
export EFS_SG_ID_ARN=arn:aws:ec2:$REGION:$ACCOUNT_ID:security-group/$EFS_SG_IDS
export SOURCE_LOCATION_ARN=$(aws datasync create-location-efs --subdirectory "/" --efs-filesystem-arn $SOURCE_EFS_ARN --ec2-config SubnetArn=$EFS_SUBNET_ID_ARN,SecurityGroupArns=$EFS_SG_ID_ARN --region $REGION | jq -r ".LocationArn")
export DESTINATION_LOCATION_ARN=$(aws datasync create-location-efs --subdirectory "/" --efs-filesystem-arn $TARGET_EFS_ARN --ec2-config SubnetArn=$EFS_SUBNET_ID_ARN,SecurityGroupArns=$EFS_SG_ID_ARN --region $REGION | jq -r ".LocationArn")
```
1. Permita o tráfego entre as montagens do sistema de arquivos de rede (NFS) de origem e de destino. Quando um novo domínio é criado, a SageMaker IA cria dois grupos de segurança.
+ Grupo de segurança de entrada NFS com apenas tráfego de entrada.
+ Grupo de segurança de saída NFS com somente tráfego de saída.
O NFS de origem e de destino são colocados dentro dos mesmos grupos de segurança. Você pode permitir o tráfego entre esses suportes a partir do Console de gerenciamento da AWS ou AWS CLI.
+ Permitir tráfego a partir do Console de gerenciamento da AWS
1. Faça login no Console de gerenciamento da AWS e abra o console da Amazon VPC em. [https://console.aws.amazon.com/vpc/](https://console.aws.amazon.com/vpc/)
1. Escolha **Grupos de segurança**.
1. Pesquise o ID do domínio existente na página de **Grupos de Segurança**.
```
d-xxxxxxx
```
Os resultados devem retornar dois grupos de segurança que incluam o ID do domínio no nome.
+ `security-group-for-inbound-nfs-domain-id`
+ `security-group-for-outbound-nfs-domain-id`
1. Selecione a ID do grupo de segurança de entrada. Essa ação abre uma nova página com detalhes sobre o grupo de segurança.
1. Selecione a guia **Regras de saída**.
1. Selecione **Editar regras de saída**.
1. Atualize as regras de saída existentes ou adicione uma nova regra de saída com os seguintes valores:
+ **Tipo**: NFS
+ **Protocolo**: TCP
+ **Intervalo de portas**: 2049
+ **Destino**: security-group-for-outbound -nfs- \$1 *domain-id* *security-group-id*
1. Selecione **Salvar regras**.
1. Selecione a guia **Regras de entrada**.
1. Selecione **Editar regras de entrada**.
1. Atualize as regras de entrada existentes ou adicione uma nova regra de saída com os seguintes valores:
+ **Tipo**: NFS
+ **Protocolo**: TCP
+ **Intervalo de portas**: 2049
+ **Destino**: security-group-for-outbound -nfs- \$1 *domain-id* *security-group-id*
1. Selecione **Salvar regras**.
+ Permitir tráfego a partir do AWS CLI
1. Atualize as regras de entrada e saída do grupo de segurança com os seguintes valores:
+ **Protocolo**: TCP
+ **Intervalo de portas**: 2049
+ **ID do grupo**: do grupo de segurança de entrada ou ID do grupo de segurança de saída
```
export INBOUND_SG_ID=$(aws ec2 describe-security-groups --filters "Name=group-name,Values=security-group-for-inbound-nfs-$SOURCE_DOMAIN_ID" | jq -r ".SecurityGroups[0].GroupId")
export OUTBOUND_SG_ID=$(aws ec2 describe-security-groups --filters "Name=group-name,Values=security-group-for-outbound-nfs-$SOURCE_DOMAIN_ID" | jq -r ".SecurityGroups[0].GroupId")
echo "Outbound SG ID: $OUTBOUND_SG_ID | Inbound SG ID: $INBOUND_SG_ID"
aws ec2 authorize-security-group-egress \
--group-id $INBOUND_SG_ID \
--protocol tcp --port 2049 \
--source-group $OUTBOUND_SG_ID
aws ec2 authorize-security-group-ingress \
--group-id $OUTBOUND_SG_ID \
--protocol tcp --port 2049 \
--source-group $INBOUND_SG_ID
```
1. Adicione os grupos de segurança de entrada e saída aos alvos de montagem do Amazon EFS de origem e de destino. Isso permite o tráfego entre as duas montagens do Amazon EFS.
```
export SOURCE_EFS_MOUNT_TARGET=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].MountTargetId")
export TARGET_EFS_MOUNT_TARGET=$(aws efs describe-mount-targets --file-system-id $TARGET_EFS | jq -r ".MountTargets[0].MountTargetId")
aws efs modify-mount-target-security-groups \
--mount-target-id $SOURCE_EFS_MOUNT_TARGET \
--security-groups $INBOUND_SG_ID $OUTBOUND_SG_ID
aws efs modify-mount-target-security-groups \
--mount-target-id $TARGET_EFS_MOUNT_TARGET \
--security-groups $INBOUND_SG_ID $OUTBOUND_SG_ID
```
1. Crie uma AWS DataSync tarefa. Isso retorna um ARN de tarefa que pode ser usado para executar a tarefa sob demanda ou como parte de uma cadência regular.
```
export EXTRA_XFER_OPTIONS='VerifyMode=ONLY_FILES_TRANSFERRED,OverwriteMode=ALWAYS,Atime=NONE,Mtime=NONE,Uid=NONE,Gid=NONE,PreserveDeletedFiles=REMOVE,PreserveDevices=NONE,PosixPermissions=NONE,TaskQueueing=ENABLED,TransferMode=CHANGED,SecurityDescriptorCopyFlags=NONE,ObjectTags=NONE'
export DATASYNC_TASK_ARN=$(aws datasync create-task --source-location-arn $SOURCE_LOCATION_ARN --destination-location-arn $DESTINATION_LOCATION_ARN --name "SMEFS_to_CustomEFS_Sync" --region $REGION --options $EXTRA_XFER_OPTIONS | jq -r ".TaskArn")
```
1. Inicie uma AWS DataSync tarefa para copiar automaticamente os dados da origem do Amazon EFS para a montagem do Amazon EFS de destino. Isso não retém as permissões POSIX do arquivo, o que permite que os usuários leiam a partir da montagem de destino do Amazon EFS, mas não gravem nela.
```
aws datasync start-task-execution --task-arn $DATASYNC_TASK_ARN
```
1. Monte o volume de destino do Amazon EFS no domínio no nível raiz.
```
aws sagemaker update-domain --domain-id $SOURCE_DOMAIN_ID \
--default-user-settings '{"CustomFileSystemConfigs": [{"EFSFileSystemConfig": {"FileSystemId": "'"$TARGET_EFS"'", "FileSystemPath": "/"}}]}'
```
1. Substitua cada perfil de usuário por um prefixo `FileSystemPath`. O prefixo inclui o UID do usuário, criado pela SageMaker IA. Isso garante que os usuários tenham acesso apenas aos seus dados e evita a polinização cruzada. Quando um espaço é criado no domínio e o volume de destino do Amazon EFS é montado na aplicação, o prefixo do usuário substitui o prefixo do domínio. Como resultado, a SageMaker IA só monta o `/user-id` diretório no aplicativo do usuário.
```
aws sagemaker list-user-profiles --domain-id $SOURCE_DOMAIN_ID | jq -r '.UserProfiles[] | "\(.UserProfileName)"' | while read user; do
export uid=$(aws sagemaker describe-user-profile --domain-id $SOURCE_DOMAIN_ID --user-profile-name $user | jq -r ".HomeEfsFileSystemUid")
echo "$user $uid"
aws sagemaker update-user-profile --domain-id $SOURCE_DOMAIN_ID --user-profile-name $user --user-settings '{"CustomFileSystemConfigs": [{"EFSFileSystemConfig":{"FileSystemId": "'"$TARGET_EFS"'", "FileSystemPath": "'"/$uid/"'"}}]}'
done
```
1. Em seguida, os usuários podem selecionar o sistema de arquivos personalizado do Amazon EFS ao iniciar uma aplicação. Para acessar mais informações, consulte [JupyterLab guia do usuário](studio-updated-jl-user-guide.md) ou [Inicie a aplicação de Editor de Código no Studio](code-editor-use-studio.md).
### Usar o Amazon S3 para migrar dados
Nessa abordagem, você usa uma AWS DataSync tarefa do Amazon EFS-to-Amazon S3 para copiar o conteúdo de um volume do Studio Classic Amazon EFS para um bucket do Amazon S3 uma vez ou em um ritmo regular e, em seguida, criar uma configuração de ciclo de vida para copiar os dados do usuário do Amazon S3 para o volume Amazon EBS de seu espaço privado.
**nota**
Essa abordagem só funciona para domínios que têm acesso à internet.
1. Defina o ID do volume Amazon EFS de origem do domínio que contém os dados que você está migrando.
```
timestamp=$(date +%Y%m%d%H%M%S)
export SOURCE_DOMAIN_ID="domain-id"
export AWS_REGION="region"
export ACCOUNT_ID=$(aws sts get-caller-identity --query Account --output text)
export EFS_ID=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.HomeEfsFileSystemId')
```
1. Defina o nome do bucket do Amazon S3 de destino. Para informações sobre como criar um bucket do Amazon S3, consulte [Criação de um bucket](https://docs.aws.amazon.com/AmazonS3/latest/userguide/create-bucket-overview.html). O bucket usado deve ter uma política de CORS, conforme descrito em [(Opcional) Atualizar a política CORS para acessar os buckets do Amazon S3](studio-updated-migrate-ui.md#studio-updated-migrate-cors). Os usuários do domínio também devem ter permissões para acessar o bucket do Amazon S3.
Neste exemplo, estamos copiando arquivos para um prefixo chamado `studio-new`. Se você estiver usando um único bucket do Amazon S3 para migrar vários domínios, use o `studio-new/` prefixo para restringir as permissões aos arquivos usando o IAM.
```
export BUCKET_NAME=s3-bucket-name
export S3_DESTINATION_PATH=studio-new
```
1. Crie uma política de confiança que dê AWS DataSync permissões para assumir a função de execução da sua conta.
```
export TRUST_POLICY=$(cat <
Se você já usou o Amazon SageMaker Data Wrangler no Amazon SageMaker Studio Classic para tarefas de preparação de dados, você pode migrar para o novo Amazon SageMaker Studio e acessar a versão mais recente do Data Wrangler no Amazon Canvas. SageMaker O Data Wrangler in SageMaker Canvas oferece uma experiência de usuário aprimorada e acesso aos recursos mais recentes, como uma interface de linguagem natural e desempenho mais rápido.
Você pode se conectar ao SageMaker Canvas a qualquer momento para começar a usar a nova experiência do Data Wrangler. Para obter mais informações, consulte [Começando a usar o Amazon SageMaker Canvas](canvas-getting-started.md).
Se você tiver arquivos de fluxo de dados salvos no Studio Classic nos quais estava trabalhando anteriormente, você pode integrá-los ao Studio e depois importar os arquivos de fluxo para o Canvas. Você tem as seguintes opções para conceder acesso:
+ Migração com um clique: ao entrar no Canvas, você pode usar uma opção de importação única que migra todos os seus arquivos de fluxo em seu nome.
+ Migração manual: você pode importar manualmente seus arquivos de fluxo para o Canvas. No Studio Classic, exporte os arquivos para o Amazon S3 ou baixe-os para sua máquina local. Em seguida, você entra no aplicativo SageMaker Canvas, importa os arquivos de fluxo e continua suas tarefas de preparação de dados.
O guia a seguir descreve os pré-requisitos para a migração e como migrar seus arquivos de fluxo de dados usando a opção de um clique ou manual.
### Pré-requisitos
Verifique os seguintes pré-requisitos antes de começar a migrar seus arquivos de fluxo:
**Etapa 1. Migre o domínio e conceda permissões**
Antes de migrar arquivos de fluxo de dados, você precisa seguir etapas específicas do [Migração do Amazon SageMaker Studio Classic](studio-updated-migrate.md) guia para garantir que a função de execução do AWS IAM do seu perfil de usuário tenha as permissões necessárias. Siga os [pré-requisitos](studio-updated-migrate-prereq.md) e, [Migrar a interface do usuário do Studio Classic para o Studio](studio-updated-migrate-ui.md) antes de continuar, que descrevem como conceder as permissões necessárias, configure o Studio como a nova experiência e migre seu domínio existente.
Especificamente, você deve ter permissões para criar um aplicativo SageMaker Canvas e usar os recursos de preparação de dados do SageMaker Canvas. Para obter essas permissões, você pode:
+ Adicione a [ AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)política à sua função do IAM ou
+ Anexe uma política de permissões mínimas, conforme mostrado na seção **(opcional) Migrar do Data Wrangler no Studio Classic para SageMaker ** o Canvas da página. [Migrar a interface do usuário do Studio Classic para o Studio](studio-updated-migrate-ui.md)
Certifique-se de usar o mesmo perfil de usuário para o Studio e o SageMaker Canvas.
Depois de concluir os pré-requisitos descritos no guia de migração, você deve ter um novo domínio com as permissões necessárias para acessar SageMaker o Canvas por meio do Studio.
**Etapa 2. (opcional) Prepare um local do Amazon S3**
Se você estiver fazendo uma migração manual e planeja usar o Amazon S3 para transferir seus arquivos de fluxo em vez de usar a opção de download local, você deve ter um bucket do Amazon S3 em sua conta que gostaria de usar para armazenar os arquivos de fluxo.
### Método de migração com apenas um clique
SageMaker O Canvas oferece uma opção de importação única para migrar seus fluxos de dados do Data Wrangler no Studio Classic para o Data Wrangler no Canvas. SageMaker Desde que suas aplicações do Studio Classic e Canvas compartilhem o mesmo volume de armazenamento do Amazon EFS, você pode migrar do Canvas com um único clique. Esse processo simplificado elimina a necessidade de etapas manuais de exportação e importação, e você pode importar todos os seus fluxos de uma só vez.
Use o seguinte procedimento para migrar todos os seus arquivos de fluxo:
1. Abra sua versão mais recente do Studio.
1. No Studio, no painel de navegação à esquerda, selecione o menu suspenso **Dados**.
1. Nas opções de navegação, escolha **Data Wrangler**.
1. Na página **Data Wrangler**, escolha **Executar no** Canvas. Se você configurou com sucesso as permissões, isso cria uma aplicação do Canvas para você. Pode levar alguns minutos para a aplicação do Canvas ficar pronta.
1. Quando o Canvas estiver pronto, escolha **Abrir no Canvas.**
1. O Canvas abre a página do **Data Wrangler** e aparece um banner na parte superior da página que diz Importar seus fluxos de dados do Data Wrangler no Studio Classic para o Canvas. Essa importação é necessária apenas uma vez. Saiba mais. No banner, escolha **Importar tudo**.
**Atenção**
Se você fechar a notificação do banner, não poderá mais reabri-la nem usar o método de migração com um clique.
Uma notificação pop-up aparece, indicando que o Canvas está importando seus arquivos de fluxo do Studio Classic. Se a importação for totalmente bem-sucedida, você receberá outra notificação de que o número `X` de arquivos de fluxo foi importado e poderá ver seus arquivos de fluxo na página **Data Wrangler** da aplicação do Canvas. Todos os arquivos de fluxo importados que tenham o mesmo nome dos fluxos de dados existentes em sua aplicação do Canvas são renomeados com um postfix. Você pode abrir um fluxo de dados para verificar se ele tem a aparência esperada.
Caso algum dos seus arquivos de fluxo não seja importado com êxito, você receberá uma notificação de que a importação foi parcialmente bem-sucedida ou falhou. Escolha **Exibir erros** na mensagem de notificação para verificar as mensagens de erro individuais e obter orientação sobre como reformatar qualquer arquivo de fluxo formatado incorretamente.
Depois de importar seus arquivos de fluxo, agora você deve ser capaz de continuar usando o Data Wrangler para preparar dados no Canvas. SageMaker
### Método de migração manual
As seções a seguir descrevem como importar manualmente seus arquivos de fluxo para o Canvas, caso o método de migração com um clique não funcione.
#### Exporte os arquivos de fluxo do Studio Classic
**nota**
Se você já migrou seus dados do Studio Classic para o Amazon S3 seguindo as instruções no [(Opcional) Migrar dados do Studio Classic para o Studio](#studio-updated-migrate-data), você pode pular esta etapa e ir direto para a seção [Importe os arquivos de fluxo para o Canvas](#studio-updated-migrate-flows-import) na qual você importa seus arquivos de fluxo do local do Amazon S3 onde seus dados do Studio Classic estão armazenados.
Você pode exportar seus arquivos de fluxo salvando-os no Amazon S3 ou baixando-os para sua máquina local. Ao importar seus arquivos de fluxo para o SageMaker Canvas na próxima etapa, se você escolher a opção de upload local, poderá carregar apenas 20 arquivos de fluxo por vez. Se você tem um grande número de arquivos de fluxo para importar, recomendamos usar o Amazon S3.
Siga as instruções em [Método 1: usar o Amazon S3 para transferir arquivos de fluxo](#studio-updated-migrate-flows-export-s3) ou [Método 2: usar sua máquina local para transferir arquivos de fluxo](#studio-updated-migrate-flows-export-local) para continuar.
##### Método 1: usar o Amazon S3 para transferir arquivos de fluxo
Com esse método, você usa o Amazon S3 como intermediário entre o Data Wrangler no Studio Classic e o Data Wrangler no SageMaker Canvas (acessado por meio da versão mais recente do Studio). Você exporta os arquivos de fluxo do Studio Classic para o Amazon S3 e, na próxima etapa, acessa o Canvas por meio do Studio e importa os arquivos de fluxo do Amazon S3.
Verifique se você tem um bucket do Amazon S3 preparado como o local de armazenamento dos arquivos de fluxo.
Use o seguinte procedimento para exportar seus arquivos de fluxo do Studio Classic para o Amazon S3:
1. Abra o Studio Classic.
1. Abra um novo terminal fazendo o seguinte:
1. Na barra de navegação superior, escolha **Arquivo**.
1. No menu de contexto, passe o mouse sobre **Novo** e selecione **Terminal**.
1. Por padrão, o terminal deve abrir em seu diretório inicial. Navegue até a pasta que contém todos os arquivos de fluxo que você deseja migrar.
1. Use o seguinte comando para sincronizar todos os arquivos de fluxo com a localização especificada do Amazon S3: Substitua `{bucket-name}` e `{folder}` pelo caminho para a localização desejada do Amazon S3. Para obter mais informações sobre o comando e os parâmetros, consulte o comando [sync](https://docs.aws.amazon.com/cli/latest/reference/s3/sync.html) na Referência de AWS AWS CLI comandos.
```
aws s3 sync . s3://{bucket-name}/{folder}/ --exclude "*.*" --include "*.flow"
```
Se você estiver usando o seu próprio AWS KMS key, use o comando a seguir para sincronizar os arquivos e especificar sua ID da chave KMS. Verifique se a função de execução do IAM do usuário (que deve ser a mesma função usada na **Etapa 1. Migre o domínio e conceda permissões** dos [pré-requisitos](#studio-updated-migrate-flows-prereqs) anteriores) recebeu acesso para usar a chave do KMS.
```
aws s3 sync . s3://{bucket-name}/{folder}/ --exclude "*.*" --include "*.flow" --sse-kms-key-id {your-key-id}
```
Seus arquivos de fluxo agora devem ser exportados. Verifique seu bucket do Amazon S3 para garantir que os arquivos de fluxo tenham sido sincronizados com sucesso.
Para importar esses arquivos na versão mais recente do Data Wrangler, siga as etapas em [Importe os arquivos de fluxo para o Canvas](#studio-updated-migrate-flows-import).
##### Método 2: usar sua máquina local para transferir arquivos de fluxo
Com esse método, você baixa os arquivos de fluxo do Studio Classic para sua máquina local. Você pode baixar os arquivos diretamente ou compactá-los como um arquivo zip. Em seguida, descompacte o arquivo zip localmente (se aplicável), faça login no Canvas e importe os arquivos de fluxo fazendo upload deles a partir do seu computador local.
Use o seguinte procedimento para fazer o download de seus arquivos de fluxo do Studio Classic:
1. Abra o Studio Classic.
1. (Opcional) Se você quiser compactar vários arquivos de fluxo em um arquivo zip e baixá-los todos de uma vez, faça o seguinte:
1. Na barra de navegação superior do Studio Classic, escolha **Arquivo**.
1. No menu de contexto, passe o mouse sobre **Novo** e selecione **Terminal**.
1. Por padrão, o terminal abre em seu diretório inicial. Navegue até a pasta que contém todos os arquivos de fluxo que você deseja migrar.
1. Use o comando a seguir para compactar os arquivos de fluxo no diretório atual como um zip. O comando exclui todos os arquivos ocultos:
```
find . -not -path "*/.*" -name "*.flow" -print0 | xargs -0 zip my_archive.zip
```
1. Faça o download do arquivo zip ou dos arquivos de fluxo individuais para sua máquina local fazendo o seguinte:
1. No painel de navegação à esquerda do Studio Classic, escolha **Navegador de arquivos**.
1. Encontre o arquivo que você deseja baixar no navegador de arquivos.
1. Clique com o botão direito do mouse no arquivo e, no menu de contexto, selecione **Baixar**.
O arquivo deve ser baixado em seu computador local. Se você os empacotou como um arquivo zip, extraia os arquivos localmente. Depois que os arquivos forem extraídos, para importá-los na versão mais recente do Data Wrangler, siga as etapas em [Importe os arquivos de fluxo para o Canvas](#studio-updated-migrate-flows-import).
#### Importe os arquivos de fluxo para o Canvas
Depois de exportar seus arquivos de fluxo, acesse o Canvas pelo Studio e importe os arquivos.
Use o seguinte procedimento para importar arquivos de fluxo para o Canvas:
1. Abra sua versão mais recente do Studio.
1. No Studio, no painel de navegação à esquerda, selecione o menu suspenso **Dados**.
1. Nas opções de navegação, escolha **Data Wrangler**.
1. Na página **Data Wrangler**, escolha **Executar no** Canvas. Se você configurou com sucesso as permissões, isso cria uma aplicação do Canvas para você. Pode levar alguns minutos para a aplicação do Canvas ficar pronta.
1. Quando o Canvas estiver pronto, escolha **Abrir no Canvas.**
1. O Canvas é aberto na página do **Data Wrangler**. No painel superior, escolha **Importar fluxos de dados**.
1. Para **Fonte de dados**, escolha **Amazon S3** ou **carregamento de dados**.
1. Selecione seus arquivos de fluxo do seu bucket do Amazon S3 ou carregue os arquivos da sua máquina local.
**nota**
Para upload local, você pode carregar no máximo 20 arquivos de fluxo por vez. Para importações maiores, use o Amazon S3. Se você selecionar uma pasta para importar, todos os arquivos de fluxo em subpastas também serão importados.
1. Escolha **Importar dados**.
Se a importação for bem-sucedida, você receberá uma notificação de que o número `X` de arquivos de fluxo foi importado com êxito.
Caso seus arquivos de fluxo não sejam importados com sucesso, você receberá uma notificação no aplicativo SageMaker Canvas. Escolha **Exibir erros** na mensagem de notificação para verificar as mensagens de erro individuais e obter orientação sobre como reformatar qualquer arquivo de fluxo formatado incorretamente.
Depois que a importação dos arquivos de fluxo for concluída, acesse a página **Data Wrangler** do aplicativo SageMaker Canvas para visualizar seus fluxos de dados. Você pode tentar abrir um fluxo de dados para verificar se ele tem a aparência esperada.
# Amazon SageMaker Studio clássico
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O Amazon SageMaker Studio Classic é um ambiente de desenvolvimento integrado (IDE) baseado na web para aprendizado de máquina (ML). O Studio Classic permite criar, treinar, depurar, implantar e monitorar seus modelos de ML. O Studio Classic inclui todas as ferramentas de que você precisa para levar seus modelos da preparação de dados à experimentação e à produção com maior produtividade. Em uma única interface visual, você pode fazer as seguintes tarefas:
+ Escrever e executar código em cadernos Jupyter
+ Preparar dados para o machine learning
+ Criar e treine modelos de ML
+ Implantar os modelos e monitorar o desempenho das predições
+ Rastrear e depurar experimentos de ML
+ Colaborar com outras pessoas em tempo real
Para obter informações sobre as etapas de integração do Studio Classic, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
Para obter informações sobre como colaborar com outros usuários em tempo real, consulte [Colaboração com espaços compartilhados](domain-space.md).
Para as AWS regiões suportadas pelo Studio Classic, consulte[Regiões e cotas compatíveis](regions-quotas.md).
## Plano de fase de manutenção do Amazon SageMaker Studio Classic
A tabela a seguir fornece informações sobre o cronograma de quando o Amazon SageMaker Studio Classic entrou em sua fase de manutenção estendida.
| Data | Description |
| --- | --- |
| 31/12/2024 | Em 31 de dezembro, o Studio Classic chegou ao fim da manutenção. Após essa data, o Studio Classic deixou de receber atualizações e correções de segurança. Todos os novos domínios serão criados com o Amazon SageMaker Studio como padrão. |
| 31/01/2025 | A partir de 31 de janeiro, os usuários não poderão mais criar JupyterLab 3 novos notebooks no Studio Classic. Os usuários também não poderão reiniciar ou atualizar os cadernos existentes. Os usuários poderão acessar as aplicações existentes do Studio Classic usando o Studio somente para excluir ou interromper os cadernos existentes. |
**nota**
Seu domínio existente do Studio Classic não é migrado automaticamente para o Studio. Para obter informações sobre migração, consulte [Migração do Amazon SageMaker Studio Classic](studio-updated-migrate.md).
**Topics**
+ [Plano de fase de manutenção do Amazon SageMaker Studio Classic](#studio-deprecation)
+ [Características do Amazon SageMaker Studio Classic](#studio-features)
+ [Visão geral da interface do usuário do Amazon SageMaker Studio Classic](studio-ui.md)
+ [Inicie o Amazon SageMaker Studio Classic](studio-launch.md)
+ [JupyterLab Controle de versão no Amazon Studio Classic SageMaker](studio-jl.md)
+ [Use o Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
+ [Use os notebooks Amazon SageMaker Studio Classic](notebooks.md)
+ [Personalize o Amazon SageMaker Studio Classic](studio-customize.md)
+ [Execute tarefas comuns no Amazon SageMaker Studio Classic](studio-tasks.md)
+ [Preços do Amazon SageMaker Studio Classic](studio-pricing.md)
+ [Solução de problemas do Amazon SageMaker Studio Classic](studio-troubleshooting.md)
## Características do Amazon SageMaker Studio Classic
O Studio inclui os seguintes recursos:
+ [SageMaker Piloto automático](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development.html)
+ [SageMaker Esclareça](https://docs.aws.amazon.com/sagemaker/latest/dg/model-explainability.html)
+ [SageMaker Organizador de dados](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html)
+ [SageMaker Debugger (Depurador)](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-on-studio.html)
+ [SageMaker Experimentos](https://docs.aws.amazon.com/sagemaker/latest/dg/experiments.html)
+ [SageMaker Loja de recursos](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 Pipelines](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-studio.html)
+ [SageMaker Registro de modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html)
+ [SageMaker Projetos](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects.html)
+ [SageMakerNotebooks Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html)
+ [SageMaker Notebook Studio Universal](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-cluster.html)
# Visão geral da interface do usuário do Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O Amazon SageMaker Studio Classic amplia os recursos JupyterLab com recursos personalizados que podem acelerar seu processo de Machine Learning (ML) aproveitando o poder da AWS computação. Usuários anteriores do JupyterLab notarão a semelhança da interface do usuário. As adições mais proeminentes estão detalhadas nas seções a seguir. Para obter uma visão geral da JupyterLab interface original, consulte [A JupyterLab interface](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
A imagem a seguir mostra a visualização padrão ao iniciar o Amazon SageMaker Studio Classic. O painel de *navegação esquerdo* exibe todas as categorias de atributos de nível superior e um *[Página inicial do Amazon SageMaker Studio Classic](#studio-ui-home)* está aberto na *área de trabalho principal*. Volte a esse ponto central de orientação escolhendo o ícone de **Início** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/house.png)) a qualquer momento e, em seguida, selecionando o nó **Início** no menu de navegação.
Experimente o **caderno de introdução para obter** um guia prático no produto sobre como configurar e se familiarizar com os recursos do Amazon SageMaker Studio Classic. Na seção **Ações rápidas** da página inicial do Studio, escolha **Abrir o caderno de conceitos básicos**.
![\[SageMaker Página inicial do Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-home.png)
**nota**
Este capítulo é baseado na interface de usuário (UI) atualizada do Studio Classic, disponível na versão JupyterLab 3 `v5.38.x` e superior.
Para recuperar sua versão do Studio UI, no [inicializador do Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html), abra um Terminal do Sistema e, em seguida,
Executar `conda activate studio`
Executar `jupyter labextension list`
Pesquise a versão exibida após `@amzn/sagemaker-ui version` na saída.
Para obter informações sobre a atualização do Amazon SageMaker Studio Classic, consulte[Desligue e atualize o Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
**Topics**
+ [Página inicial do Amazon SageMaker Studio Classic](#studio-ui-home)
+ [Layout clássico do Amazon SageMaker Studio](#studio-ui-layout)
## Página inicial do Amazon SageMaker Studio Classic
A página Início fornece acesso a tarefas e fluxos de trabalho comuns. Em particular, inclui uma lista de **ações rápidas** para tarefas comuns, como o **Abrir o inicializador** para criar cadernos e outros recursos e **importar e preparar dados visualmente** para criar um novo fluxo no Data Wrangler. A página **Início** também oferece dicas de ferramentas sobre os principais controles na interface do usuário.
As **soluções pré-construídas e automatizadas** ajudam você a começar rapidamente com as soluções low-code da SageMaker AI, como Amazon SageMaker JumpStart e Autopilot.
Em **Fluxos de trabalho e tarefas**, você pode encontrar uma lista de tarefas relevantes para cada etapa do seu fluxo de trabalho de ML que leva você à ferramenta certa para o trabalho. Por exemplo, **Transformar, analisar e exportar dados** leva você para o Amazon SageMaker Data Wrangler e abre o fluxo de trabalho para criar um novo fluxo de dados, ou **Exibir todos os experimentos** leva você para Experimentos e abre a SageMaker visualização da lista de experimentos.
Após a inicialização do Studio, a página **Início** é aberta na área de trabalho principal. Você pode personalizar sua página **inicial** de SageMaker IA escolhendo o ícone **Personalizar layout** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/layout.png)) no canto superior direito da guia **Início**.
## Layout clássico do Amazon SageMaker Studio
A interface do Amazon SageMaker Studio Classic consiste em uma *barra de menu* na parte superior, uma *barra lateral esquerda* dobrável exibindo uma variedade de ícones, como o ícone **Início** e o **Navegador de Arquivos**, uma *barra de status* na parte inferior da tela e uma *área central* dividida horizontalmente em dois painéis. O painel esquerdo é um *painel de navegação* recolhível. O painel direito, ou área de trabalho principal, contém uma ou mais abas para recursos como inicializadores, cadernos, terminais, métricas e gráficos, e pode ser dividido ainda mais.
**Relate um bug** no Studio Classic ou escolha o ícone de notificação (![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/Notification.png)) para ver as notificações do Studio Classic, como novas versões do Studio Classic e novos recursos de SageMaker IA, no canto direito da barra de menu. Para atualizar para uma nova versão do Studio, consulte [Desligue e atualize o Amazon SageMaker Studio Classic e os aplicativos](studio-tasks-update.md).
As seções a seguir descrevem as principais áreas da interface de usuário do Studio.
### Barra lateral esquerda
A *barra lateral esquerda* inclui os ícones a seguir. Quando o mouse passa sobre um ícone, uma dica de ferramenta exibe o nome do ícone. Um único clique em um ícone abre o painel de navegação esquerdo com a funcionalidade descrita. Um clique duplo minimiza o painel de navegação esquerdo.
| Ícone | Description |
| --- | --- |
| ![\[O ícone Início.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/house@2x.png) | **Início** Escolha o ícone **Início** para abrir um menu de navegação de nível superior no *painel de navegação à esquerda*. Usando o menu de navegação **Início**, você pode descobrir e navegar até as ferramentas certas para cada etapa do seu fluxo de trabalho de ML. O menu também fornece atalhos para soluções de início rápido e recursos de aprendizado, como documentação e tutoriais guiados. As categorias do menu agrupam atributos relevantes. A escolha **de dados**, por exemplo, expande os recursos de SageMaker IA relevantes para suas tarefas de preparação de dados. A partir daqui, você pode preparar seus dados com o Data Wrangler, criar e armazenar recursos de ML com o Amazon SageMaker Feature Store e gerenciar clusters do Amazon EMR para processamento de dados em grande escala. As categorias são ordenadas de acordo com um fluxo de trabalho típico de ML, desde a preparação de dados até a criação, o treinamento e a implantação de modelos de ML (dados, pipelines, modelos e implantações). Quando você escolhe um nó específico (como o Data Wrangler), uma página correspondente é aberta na área de trabalho principal. Escolha **Início** no menu de navegação para abrir o [Página inicial do Amazon SageMaker Studio Classic](#studio-ui-home) |
| ![\[O ícone do Navegador de arquivos.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder@2x.png) | **Navegador de arquivos** O **navegador de arquivos** exibe listas de cadernos, experimentos, testes, teste de componentes, endpoints e soluções de baixo código. Estar em um espaço pessoal ou compartilhado determina quem tem acesso aos seus arquivos. Você pode identificar em que tipo de espaço está olhando no canto superior direito. Se você estiver em um aplicativo pessoal, verá um ícone de usuário seguido por *[user\$1name]* **/Personal Studio** e, se estiver em um espaço colaborativo, verá um ícone de globo seguido por "*[user\$1name] ***/***[space\$1name].*” [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/studio-ui.html) Para entradas hierárquicas, uma navegação estrutural na parte superior do navegador mostra a localização na hierarquia. |
| ![\[O ícone Property Inspector.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/gears@2x.png) | **Inspetor de Propriedades** O Inspetor de Propriedades é um inspetor de ferramentas de célula de caderno que exibe configurações de propriedades contextuais quando aberto. |
| ![\[O ícone Terminais e kernels em execução.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels@2x.png) | **Terminais e kernels em execução** Você pode verificar a lista de todos os *kernels* e *terminais* atualmente em execução em todos os cadernos, consoles de código e diretórios. Você pode encerrar recursos individuais, incluindo cadernos, terminais, kernels, aplicações e instâncias. Você também pode encerrar todos os recursos em uma dessas categorias ao mesmo tempo. Para obter mais informações, consulte [Encerre os recursos do Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md). |
| ![\[O ícone Git.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/git@2x.png) | **Git** É possível se conectar a um repositório do Git e acessar uma gama completa de ferramentas e operações do Git. Para obter mais informações, consulte [Clone um repositório Git no SageMaker Amazon Studio Classic](studio-tasks-git.md). |
| ![\[O ícone Índice.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/table-of-contents@2x.png) | **Índice**Você pode navegar pela estrutura de um documento quando um caderno ou arquivos Python estão abertos. Um sumário é gerado automaticamente no painel de navegação à esquerda quando você tem um caderno, arquivos Markdown ou arquivos Python abertos. As entradas são clicáveis e role o documento até o título em questão. |
| ![\[O ícone Extensões.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/extensions@2x.png) | **Extensões** Você pode ativar e gerenciar JupyterLab extensões de terceiros. Você pode verificar as extensões já instaladas e pesquisar extensões digitando o nome na barra de pesquisa. Quando você encontrar a extensão que deseja instalar, escolha **Instalar**. Depois de instalar suas novas extensões, não se esqueça de reiniciar JupyterLab atualizando seu navegador. Para obter mais informações, consulte a [documentação JupyterLab de extensões](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html). |
### Painel de navegação esquerdo
O conteúdo do painel de navegação esquerdo varia de acordo com o ícone selecionado na barra lateral esquerda.
Por exemplo, escolher o ícone **Início** exibe o menu de navegação. Escolher **Navegador de arquivos** lista todos os arquivos e diretórios disponíveis em seu espaço de trabalho (cadernos, experimentos, fluxos de dados, testes, componentes de teste, endpoints ou soluções de baixo código).
No menu de navegação, escolher um nó exibe a página de atributo correspondente na área de trabalho principal. Por exemplo, escolher **Data Wrangler** no menu **Dados** abre a aba **Data Wrangler** listando todos os fluxos existentes.
### Área de trabalho principal
A área de trabalho principal consiste em várias abas que contêm seus cadernos e terminais abertos, além de informações detalhadas sobre seus experimentos e endpoints. Na área de trabalho principal, você pode organizar documentos (como cadernos e arquivos de texto) e outras atividades (como terminais e consoles de código) em painéis de abas que podem ser redimensionados ou subdivididos. Arraste uma aba para o centro de um painel de abas para mover a aba para o painel. Subdivida um painel de abas arrastando uma aba para a esquerda, direita, parte superior ou inferior do painel. A aba da atividade atual é marcada com uma borda superior colorida (azul por padrão).
**nota**
Todas as páginas de atributos fornecem ajuda contextual no produto. Para acessar a ajuda, escolha **Mostrar informações**. A interface de ajuda fornece uma breve introdução à ferramenta e links para recursos adicionais, como vídeos, tutoriais ou blogs.
# Inicie o Amazon SageMaker Studio Classic
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Depois de se integrar a um domínio do Amazon SageMaker AI, você pode iniciar um aplicativo Amazon SageMaker Studio Classic a partir do console de SageMaker IA ou do. AWS CLI Para obter mais informações sobre a integração em um domínio, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
**Topics**
+ [Inicie o Amazon SageMaker Studio Classic usando o Amazon SageMaker AI Console](#studio-launch-console)
+ [Inicie o Amazon SageMaker Studio Classic usando o AWS CLI](#studio-launch-cli)
## Inicie o Amazon SageMaker Studio Classic usando o Amazon SageMaker AI Console
O processo para navegar até o Studio Classic a partir do Amazon SageMaker AI Console difere dependendo se o Studio Classic ou o Amazon SageMaker Studio estão definidos como a experiência padrão para seu domínio. Para obter mais informações sobre como configurar a experiência padrão para seu domínio, consulte[Migração do Amazon SageMaker Studio Classic](studio-updated-migrate.md).
**Topics**
+ [Pré-requisito](#studio-launch-console-prerequisites)
### Pré-requisito
Para concluir esse procedimento, você deve se conectar a um domínio seguindo as etapas em Integrar ao [domínio Amazon SageMaker AI](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html).
### Execute o Studio Classic se o Studio for sua experiência padrão
1. Navegue até o Studio seguindo as etapas em[Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Na interface do usuário do Studio, encontre o painel de aplicações no lado esquerdo.
1. No painel de aplicações, selecione **Studio Classic**.
1. Na página inicial do Studio Classic, selecione a instância do Studio Classic a ser aberta.
1. Escolha “Abrir”.
## Inicie o Amazon SageMaker Studio Classic usando o AWS CLI
Você pode usar o AWS Command Line Interface (AWS CLI) para iniciar o Amazon SageMaker Studio Classic criando uma URL de domínio pré-assinada.
**Pré-requisitos**
Antes de começar, conclua os seguintes pré-requisitos:
+ Integre-se ao domínio Amazon SageMaker AI. Para obter mais informações, consulte [Onboard to Amazon SageMaker AI domain](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html).
+ Atualize o AWS CLI seguindo as etapas em [Instalando a AWS CLI versão atual](https://docs.aws.amazon.com//cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Em sua máquina local, execute `aws configure` e forneça suas AWS credenciais. Para obter informações sobre AWS credenciais, consulte [Entendendo e obtendo suas AWS credenciais](https://docs.aws.amazon.com//general/latest/gr/aws-sec-cred-types.html).
O trecho de código a seguir demonstra como iniciar o Amazon SageMaker Studio Classic AWS CLI usando uma URL de domínio pré-assinada. Para obter mais informações, consulte [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 Controle de versão no Amazon Studio Classic SageMaker
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
A interface do Amazon SageMaker Studio Classic é baseada em JupyterLab, que é um ambiente de desenvolvimento interativo baseado na web para notebooks, códigos e dados. O Studio Classic suporta apenas o uso de JupyterLab 3.
Se você criou seu domínio e perfil de usuário usando Console de gerenciamento da AWS antes de 31/08/2022 ou usando antes de 22/02/23, sua AWS Command Line Interface instância do Studio Classic adotou como padrão 1. JupyterLab Depois de 07/01/2024, você não pode criar nenhum aplicativo Studio Classic que execute 1. JupyterLab
## JupyterLab 3
JupyterLab 3 inclui os seguintes recursos que não estão disponíveis nas versões anteriores. Para obter mais informações sobre esses recursos, consulte [Lançamento da JupyterLab versão 3.0\$1](https://blog.jupyter.org/jupyterlab-3-0-is-out-4f58385e25bb) .
+ Depurador visual ao usar os kernels Base Python 2.0 e Ciência de dados 2.0.
+ Filtro de navegador de arquivos
+ Índice
+ Compatibilidade com vários idiomas
+ Modo simples
+ Modo de interface única
### Mudanças importantes em JupyterLab 3
Considere o seguinte ao usar JupyterLab 3:
+ Ao definir a JupyterLab versão usando o AWS CLI, selecione a imagem correspondente para sua região e JupyterLab versão na lista de imagens em[Do AWS CLI](#studio-jl-set-cli).
+ Em JupyterLab 3, você deve ativar o ambiente `studio` conda antes de instalar as extensões. Para obter mais informações, consulte [Instalação JupyterLab e extensões do Jupyter Server](#studio-jl-install).
+ O Depurador só é aceito quando as imagens a seguir são usadas:
+ Base Python 2.0
+ Data Science 2.0
+ Base Python 3.0
+ Data Science 3.0
## Restringindo a JupyterLab versão padrão usando uma chave de condição de política do IAM
Você pode usar as chaves de condição da política do IAM para restringir a versão JupyterLab que seus usuários podem iniciar.
A política a seguir mostra como limitar a JupyterLab versão no nível do domínio.
------
#### [ 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"
}
}
}
]
}
```
------
A política a seguir mostra como limitar a JupyterLab versão no nível do perfil do usuário.
------
#### [ 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"
}
}
}
]
}
```
------
A política a seguir mostra como limitar a JupyterLab versão no nível do aplicativo. A solicitação `CreateApp` deve incluir o ARN da imagem para que essa política seja aplicada.
------
#### [ 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"
}
}
}
]
}
```
------
## Definindo uma JupyterLab versão padrão
As seções a seguir mostram como definir uma JupyterLab versão padrão para o Studio Classic usando o console ou AWS CLI o.
### No console
Você pode selecionar a JupyterLab versão padrão para usar no domínio ou no nível do perfil do usuário durante a criação do recurso. Para definir a JupyterLab versão padrão usando o console, consulte[Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
### Do AWS CLI
Você pode selecionar a JupyterLab versão padrão a ser usada no domínio ou no nível do perfil do usuário usando AWS CLI o.
Para definir a JupyterLab versão padrão usando o AWS CLI, você deve incluir o ARN da JupyterLab versão padrão desejada como parte de um AWS CLI comando. Esse ARN difere com base na versão e na região do domínio de SageMaker IA.
A tabela a seguir ARNs lista as JupyterLab versões disponíveis para cada região:
| Região | 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 |
#### Criar ou atualizar o domínio
Você pode definir uma JupyterServer versão padrão no nível do domínio invocando [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)ou [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)passando o `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn` campo.
Veja a seguir como criar um domínio com JupyterLab 3 como padrão, usando o 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"
}
}
}'
```
Veja a seguir como atualizar um domínio para usar JupyterLab 3 como padrão, usando o AWS CLI:
```
aws --region \
sagemaker update-domain \
--domain-id \
--default-user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
#### Criar ou atualizar o perfil do usuário
Você pode definir uma JupyterServer versão padrão no nível do perfil do usuário invocando [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)ou [UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html)passando o `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn` campo.
Veja a seguir como criar um perfil de usuário com JupyterLab 3 como padrão em um domínio existente, usando o 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"
}
}
}'
```
Veja a seguir como atualizar um perfil de usuário para usar JupyterLab 3 como padrão, usando o 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"
}
}
}'
```
## Visualize e atualize a JupyterLab versão de um aplicativo no console
Veja a seguir como visualizar e atualizar a JupyterLab versão de um aplicativo.
1. Navegue até a página de **domínios** de SageMaker IA.
1. Selecione um domínio para ver seus perfis de usuário.
1. Selecione um usuário para ver suas aplicações.
1. Para visualizar a JupyterLab versão de um aplicativo, selecione o nome do aplicativo.
1. Para atualizar a JupyterLab versão, selecione **Ação**.
1. No menu suspenso, selecione ** JupyterLab Alterar** versão.
1. Na página de **configurações do Studio Classic**, selecione a JupyterLab versão no menu suspenso.
1. Depois que a JupyterLab versão do perfil do usuário for atualizada com êxito, reinicie o JupyterServer aplicativo para que as alterações de versão sejam efetivas. Para obter mais informações sobre como reiniciar um JupyterServer aplicativo, consulte[Desligue e atualize o Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
## Instalação JupyterLab e extensões do Jupyter Server
Em JupyterLab 3, você deve ativar o ambiente `studio` conda antes de instalar as extensões. O método para isso é diferente se você estiver instalando as extensões de dentro do Studio Classic ou usando um script de configuração do ciclo de vida.
### Instalar a extensão de dentro do Studio Classic
Para instalar extensões de dentro do Studio Classic, você deve ativar o `studio`ambiente do antes de instalar as extensões.
```
# Before installing extensions
conda activate studio
# Install your extensions
pip install
# After installing extensions
conda deactivate
```
### Instalar extensões usando um script de configuração do ciclo de vida
Se você estiver instalando JupyterLab extensões do Jupyter Server em seu script de configuração de ciclo de vida, você deve modificar seu script para que ele funcione com 3. JupyterLab As seções a seguir mostram o código necessário para scripts de configuração de ciclo de vida novos e existentes.
#### Script de configuração do ciclo de vida existente
Se você estiver reutilizando um script de configuração de ciclo de vida existente que deve funcionar com as duas versões do JupyterLab, use o código a seguir em seu 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;
```
#### Novo script de configuração do ciclo de vida
Se você estiver escrevendo um novo script de configuração do ciclo de vida que usa apenas JupyterLab 3, você pode usar o seguinte código em seu script:
```
# Before installing extension
eval "$(conda shell.bash hook)"
conda activate studio
# Install your extensions
pip install
conda deactivate
```
# Use o Amazon SageMaker Studio Classic Launcher
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você pode usar o Amazon SageMaker Studio Classic Launcher para criar cadernos e arquivos de texto e para iniciar terminais e shells Python interativos.
Você pode abrir o Inicializador do Studio Classic das seguintes maneiras:
+ Escolha **Amazon SageMaker Studio Classic** no canto superior esquerdo da interface do Studio Classic.
+ Use o atalho de teclado `Ctrl + Shift + L`.
+ No menu do Studio Classic, escolha **Arquivo** e, em seguida, escolha **Novo inicializador**.
+ Se o navegador de arquivos SageMaker AI estiver aberto, escolha o sinal de adição (**\$1**) no menu do navegador de arquivos Studio Classic.
+ Na seção **Ações rápidas** da aba **Início**, escolha **Abrir o inicializador**. O iniciador é aberto em uma nova aba. A seção **Ações rápidas** está visível por padrão, mas pode ser desativada. Escolha **Personalizar layout** para ativar essa seção novamente.
![\[SageMaker Lançador Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-new-launcher.png)
O Launcher consiste nas duas seguintes seções:
**Topics**
+ [Cadernos e recursos computacionais](#studio-launcher-launch)
+ [Utilitários e arquivos](#studio-launcher-other)
## Cadernos e recursos computacionais
Nesta seção, você pode criar um caderno, abrir um terminal de imagem ou abrir um console de Python.
Para criar ou iniciar um desses itens:
1. Escolha **Alterar ambiente** para selecionar uma SageMaker imagem, um kernel, um tipo de instância e, opcionalmente, adicionar um script de configuração do ciclo de vida que é executado na inicialização da imagem. Para obter mais informações sobre scripts de configuração do ciclo de vida, consulte [Use configurações de ciclo de vida para personalizar o Amazon Studio Classic SageMaker](studio-lcc.md). Para obter mais informações sobre atualizações de kernel, consulte [Alterar a imagem ou o kernel de um notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
1. Selecione um item.
**nota**
Ao escolher um item desta seção, você pode incorrer em cobranças adicionais de uso. Para obter mais informações, consulte [Medição de uso para notebooks Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Os seguintes tipos estão disponíveis:
+ **Caderno**
Inicia o notebook em uma sessão do kernel na SageMaker imagem escolhida.
Cria o caderno na pasta que você selecionou atualmente no navegador de arquivos. Para exibir o navegador de arquivos, na barra lateral à esquerda do Studio Classic, escolha o ícone **Navegador de arquivos**.
+ **Console**
Inicia o shell em uma sessão do kernel na SageMaker imagem escolhida.
Cria o shell na pasta que você selecionou atualmente no navegador de arquivos.
+ **Terminal de imagem**
Inicia o terminal em uma sessão de terminal na SageMaker imagem escolhida.
Abre o terminal na pasta raiz para o usuário (conforme mostrado na pasta **Início** no navegador de arquivos).
**nota**
Por padrão, as instâncias de CPU são iniciadas em uma instância `ml.t3.medium`, enquanto as instâncias de GPU são iniciadas em uma instância `ml.g4dn.xlarge`.
## Utilitários e arquivos
Nesta seção, você pode adicionar ajuda contextual em um caderno, criar arquivos Python, Markdown e de texto, e abrir um terminal do sistema.
**nota**
Os itens desta seção são executados no contexto do Amazon SageMaker Studio Classic e não incorrem em taxas de uso.
Os seguintes tipos estão disponíveis:
+ **Mostrar ajuda contextual**
Abre uma nova aba que exibe ajuda contextual para funções em um caderno do Studio Classic. Para exibir a ajuda, escolha uma função em um caderno ativo. Para facilitar a visualização da ajuda no contexto, arraste a aba de ajuda para que fique adjacente à guia do caderno. Para abrir a aba de ajuda de dentro de um caderno, pressione `Ctrl + I`.
A captura de tela a seguir mostra a ajuda contextual do método `Experiment.create`.
![\[SageMaker Ajuda contextual do Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-context-help.png)
+ **Terminal do sistema**
Abre um shell `bash` na pasta raiz para o usuário (conforme mostrado na pasta **Início** no navegador de arquivos).
+ **Arquivo de texto** e **arquivo Markdown**
Cria um arquivo do tipo associado na pasta que você selecionou atualmente no navegador de arquivos. Para exibir o navegador de arquivos, na barra lateral à esquerda, escolha o ícone do **navegador de arquivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder.png)).
# Use os notebooks Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Os notebooks Amazon SageMaker Studio Classic são notebooks colaborativos que você pode iniciar rapidamente porque não precisa configurar instâncias computacionais e armazenamento de arquivos com antecedência. Os cadernos do Studio Classic fornecem armazenamento persistente, o que permite que você visualize e compartilhe cadernos mesmo que as instâncias em que os cadernos são executados estejam desligadas.
É possível compartilhar os cadernos com outras pessoas na organização, para que elas possam reproduzir facilmente os resultados e colaborar ao criarem modelos e explorarem os dados. Você fornece acesso a uma cópia somente leitura do caderno por meio de um URL seguro. As dependências do seu caderno estão incluídas nos metadados do caderno. Quando seus colegas copiam o caderno, ele é aberto no mesmo ambiente do caderno original.
Um caderno do Studio Classic é executado em um ambiente definido pelo seguinte:
+ Tipo de instância do Amazon EC2: a configuração de hardware em que o caderno é executado. A configuração inclui o número e o tipo de processadores (vCPU e GPU) e a quantidade e o tipo de memória. O tipo de instância determina a taxa da definição de preço.
+ SageMaker image — Uma imagem de contêiner compatível com o SageMaker Studio Classic. A imagem consiste nos kernels, pacotes de idiomas e outros arquivos necessários para executar um caderno no Studio Classic. Pode haver várias imagens em uma instância. Para obter mais informações, consulte [Imagens personalizadas no Amazon SageMaker Studio Classic](studio-byoi.md).
+ KernelGateway aplicativo — Uma SageMaker imagem é executada como um KernelGateway aplicativo. A aplicação fornece acesso aos kernels na imagem. Há uma one-to-one correspondência entre uma imagem de SageMaker IA e um KernelGateway aplicativo.
+ Kernel: o processo que inspeciona e executa o código contido no caderno. Um kernel é definido por uma *especificação de kernel* na imagem. Pode haver vários kernels em uma imagem.
Você pode alterar qualquer um desses recursos dentro do caderno.
O diagrama a seguir descreve como o kernel de um notebook é executado em relação ao KernelGateway aplicativo, ao usuário e ao domínio.
![\[Como o kernel de um notebook é executado em relação ao KernelGateway aplicativo, ao usuário e ao domínio.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-components.png)
[Os notebooks Sample SageMaker Studio Classic estão disponíveis na pasta [aws\$1sagemaker\$1studio](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_sagemaker_studio) do repositório de exemplos da Amazon. SageMaker GitHub ](https://github.com/awslabs/amazon-sagemaker-examples) Cada notebook vem com a SageMaker imagem necessária que abre o notebook com o kernel apropriado.
Recomendamos que você se familiarize com a interface do SageMaker Studio Classic e com a barra de ferramentas do notebook Studio Classic antes de criar ou usar um notebook Studio Classic. Para obter mais informações, consulte [Visão geral da interface do usuário do Amazon SageMaker Studio Classic](studio-ui.md) e [Como usar a barra de ferramentas do Caderno do Studio Classic](notebooks-menu.md).
**Topics**
+ [Como os notebooks Amazon SageMaker Studio Classic são diferentes das instâncias de notebooks?](notebooks-comparison.md)
+ [Comece a usar os notebooks Amazon SageMaker Studio Classic](notebooks-get-started.md)
+ [Tour clássico do Amazon SageMaker Studio](gs-studio-end-to-end.md)
+ [Crie ou abra um notebook Amazon SageMaker Studio Classic](notebooks-create-open.md)
+ [Como usar a barra de ferramentas do Caderno do Studio Classic](notebooks-menu.md)
+ [Instale bibliotecas e kernels externos no Amazon Studio Classic SageMaker](studio-notebooks-add-external.md)
+ [Compartilhe e use um notebook Amazon SageMaker Studio Classic](notebooks-sharing.md)
+ [Obtenha metadados do notebook e do aplicativo Amazon SageMaker Studio Classic](notebooks-run-and-manage-metadata.md)
+ [Veja as diferenças dos notebooks no Amazon SageMaker Studio Classic](notebooks-diff.md)
+ [Gerencie recursos para notebooks Amazon SageMaker Studio Classic](notebooks-run-and-manage.md)
+ [Medição de uso para notebooks Amazon SageMaker Studio Classic](notebooks-usage-metering.md)
+ [Recursos disponíveis para notebooks Amazon SageMaker Studio Classic](notebooks-resources.md)
# Como os notebooks Amazon SageMaker Studio Classic são diferentes das instâncias de notebooks?
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Ao iniciar um novo notebook, recomendamos que você crie o notebook no Amazon SageMaker Studio Classic em vez de iniciar uma instância de notebook a partir do console Amazon SageMaker AI. Há muitos benefícios em usar um caderno do Studio, incluindo o seguinte:
+ **Mais rápido:** iniciar um caderno do Studio Classic é mais rápido do que executar um caderno baseado em instância. Normalmente, é de 5 a 10 vezes mais rápido do que os cadernos baseados em instância.
+ **Fácil compartilhamento do caderno:** o compartilhamento do caderno é um atributo integrado no Studio Classic. Os usuários podem gerar um link compartilhável que reproduz o código do notebook e também a SageMaker imagem necessária para executá-lo, em apenas alguns cliques.
+ **SDK mais recente para Python:** [os notebooks Studio Classic vêm pré-instalados com o SDK mais recente do Amazon Python. SageMaker ](https://sagemaker.readthedocs.io/en/stable)
+ **Acessar todos os atributos do Studio:** os cadernos do Studio Classic são acessados de dentro do Studio Classic. Isso permite que você crie, treine, depure, rastreie e monitore seus modelos sem sair do Studio Classic.
+ **Diretórios de usuários persistentes:** cada membro de uma equipe do Studio recebe seu próprio diretório base para armazenar seus cadernos e outros arquivos. O diretório é montado automaticamente em todas as instâncias e kernels conforme são iniciados, para que seus cadernos e outros arquivos estejam sempre disponíveis. Os diretórios base são armazenados no Amazon Elastic File System (Amazon EFS) para que você possa acessá-los de outros serviços.
+ **Acesso direto:** ao usar o Centro de Identidade do IAM, você usa suas credenciais do Centro de Identidade do IAM por meio de um URL exclusivo para acessar diretamente o Studio. Você não precisa interagir com o Console de gerenciamento da AWS para executar seus notebooks.
+ **Imagens otimizadas:** os notebooks Studio Classic são equipados com um conjunto de configurações de SageMaker imagem predefinidas para você começar mais rápido.
**nota**
Os cadernos do Studio Classic não são compatíveis com o *modo local*. No entanto, é possível usar uma instância de cadernos para treinar uma amostra do conjunto de dados localmente e, depois, usar o mesmo código em um caderno do Studio Classic para treinar no conjunto de dados completo.
Quando você abre um notebook no SageMaker Studio Classic, a visualização é uma extensão da JupyterLab interface. Os recursos principais são os mesmos, então você encontrará os recursos típicos de um notebook Jupyter e. JupyterLab Para obter mais informações sobre a interface do Studio Classic, consulte [Visão geral da interface do usuário do Amazon SageMaker Studio Classic](studio-ui.md).
# Comece a usar os notebooks Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Para começar, você ou o administrador da sua organização precisam concluir o processo de integração do domínio de SageMaker IA. Para obter mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
Você pode acessar um caderno do Studio Classic de qualquer uma das seguintes maneiras:
+ Você recebe um convite por e-mail para acessar o Studio Classic por meio do IAM Identity Center da sua organização, que inclui um link direto para fazer login no Studio Classic sem precisar usar o console Amazon SageMaker AI. Você pode prosseguir para [Próximas etapas](#notebooks-get-started-next-steps).
+ Você recebe um link para um notebook compartilhado do Studio Classic, que inclui um link direto para fazer login no Studio Classic sem precisar usar o console de SageMaker IA. Você pode prosseguir para [Próximas etapas](#notebooks-get-started-next-steps).
+ Você se integra a um domínio e, em seguida, faz login no console de SageMaker IA. Para obter mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
## Inicie o Amazon SageMaker AI
Conclua as etapas em [Inicie o Amazon SageMaker Studio Classic](studio-launch.md) para executar o Studio Classic.
## Próximas etapas
Agora que você está no Studio Classic, tente qualquer uma das seguintes opções:
+ Para criar um caderno Studio Classic ou explorar os cadernos end-to-end tutoriais do Studio Classic, consulte [Tour clássico do Amazon SageMaker Studio](gs-studio-end-to-end.md) na próxima seção.
+ Para se familiarizar com a interface do Studio Classic, consulte [Visão geral da interface do usuário do Amazon SageMaker Studio Classic](studio-ui.md) ou tente o **caderno de conceitos básicos** selecionando **Abrir o caderno de conceitos básicos** na seção **Ações rápidas** da página inicial do Studio.
# Tour clássico do Amazon SageMaker Studio
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
[Para ver um tutorial que leva você a conhecer os principais recursos do Amazon SageMaker Studio Classic, consulte o caderno de amostra [xgboost\$1customer\$1churn\$1studio.ipynb](https://sagemaker-examples.readthedocs.io/en/latest/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.html) do repositório aws/. amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples) GitHub O código no notebook treina vários modelos e configura o SageMaker Debugger e SageMaker o Model Monitor. A demonstração mostra como visualizar os testes, comparar os modelos resultantes, mostrar os resultados do depurador e implantar o melhor modelo usando a interface do usuário do Studio Classic. Não é necessário entender o código para seguir esta demonstração.
**Pré-requisitos**
Para executar o caderno neste tour, é necessário:
+ Uma conta do IAM ou fazer login no Studio. Para mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
+ Familiaridade básica com a interface de usuário do Studio e com cadernos Jupyter. Para mais informações, consulte [Visão geral da interface do usuário do Amazon SageMaker Studio Classic](studio-ui.md).
+ Uma cópia do amazon-sagemaker-examples repositório [aws/](https://github.com/aws/amazon-sagemaker-examples) em seu ambiente Studio.
**Como clonar o repositório**
1. Execute o Studio Classic seguindo os passos em [Inicie o Amazon SageMaker Studio Classic](studio-launch.md) Para usuários do Centro de Identidade do IAM, faça login usando o URL no e-mail de convite.
1. No menu superior, escolha **Arquivo**, depois **Novo**, depois **Terminal**.
1. No prompt de comando, execute o comando a seguir para clonar o repositório [aws/ amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples) GitHub .
```
$ git clone https://github.com/aws/amazon-sagemaker-examples.git
```
**Para navegar até a amostra de caderno**
1. No **Navegador de arquivos** no menu à esquerda, selecione **amazon-sagemaker-examples**.
1. Navegue até o exemplo de caderno com o seguinte caminho:
`~/amazon-sagemaker-examples/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.ipynb`
1. Siga o caderno para conhecer os principais atributos do Studio Classic.
**nota**
Se você encontrar um erro ao executar o amostra de caderno e tiver passado algum tempo desde a clonagem do repositório, revise o caderno no repositório remoto para obter atualizações.
# Crie ou abra um notebook Amazon SageMaker Studio Classic
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Ao usar [Criar um caderno a partir do menu Arquivo](#notebooks-create-file-menu) o Amazon SageMaker Studio Classic ou [Abrir um caderno do Studio Classic](#notebooks-open) pela primeira vez, você é solicitado a configurar seu ambiente escolhendo uma SageMaker imagem, um kernel, um tipo de instância e, opcionalmente, um script de configuração do ciclo de vida que é executado na inicialização da imagem. SageMaker A IA inicia o notebook em uma instância do tipo escolhido. Por padrão, o tipo de instância é definido como `ml.t3.medium` (disponível como parte do [AWS nível gratuito](https://aws.amazon.com/free)) para imagens baseadas na CPU. Para imagens baseadas em GPU, o tipo de instância padrão é `ml.g4dn.xlarge`.
Se você criar ou abrir cadernos adicionais que usam o mesmo tipo de instância, independentemente de os cadernos usarem ou não o mesmo kernel, os cadernos serão executados na mesma instância desse tipo de instância.
Depois de iniciar um notebook, você pode alterar o tipo de instância, a SageMaker imagem e o kernel de dentro do notebook. Para obter mais informações, consulte [Alterar o tipo de instância de um notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md) e [Alterar a imagem ou o kernel de um notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
**nota**
Você pode ter somente uma instância de cada tipo de instância. Cada instância pode ter várias SageMaker imagens em execução nela. Cada SageMaker imagem pode executar vários kernels ou instâncias de terminal.
O faturamento ocorre por tipo de instância e começa quando a primeira instância de um determinado tipo de instância é executada. Para criar ou abrir um caderno sem o risco de incorrer em cobranças, abra o caderno no menu **Arquivo** e escolha **Sem Kernel** a partir da caixa de diálogo **Selecionar Kernel**. Você pode ler e editar um caderno sem um kernel em execução, mas não pode executar células.
O faturamento termina quando a SageMaker imagem da instância é encerrada. Para obter mais informações, consulte [Medição de uso para notebooks Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Para obter informações sobre como encerrar o caderno, consulte [Encerrar recursos](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions).
**Topics**
+ [Abrir um caderno do Studio Classic](#notebooks-open)
+ [Criar um caderno a partir do menu Arquivo](#notebooks-create-file-menu)
+ [Criar um caderno a partir do inicializador](#notebooks-create-launcher)
+ [Lista dos tipos de instância, imagens e kernels disponíveis](#notebooks-instance-image-kernels)
## Abrir um caderno do Studio Classic
O Amazon SageMaker Studio Classic só pode abrir cadernos listados no navegador de arquivos Studio Classic. Para obter instruções sobre como adicionar um caderno ao navegador, consulte [Carregar arquivos para o Amazon SageMaker Studio Classic](studio-tasks-files.md) ou [Clone um repositório Git no SageMaker Amazon Studio Classic](studio-tasks-git.md).
**Como abrir um caderno**
1. Na barra lateral à esquerda, escolha o ícone **File Browser (Navegador de arquivos)** ( ![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder.png)) para exibir o navegador de arquivos.
1. Navegue e clique duas vezes em um arquivo de caderno para abri-lo em uma nova aba.
## Criar um caderno a partir do menu Arquivo
**Como criar um caderno a partir do menu Arquivo**
1. No menu do Studio, escolha **Arquivo**, escolha **Novo** e **Caderno**.
1. Na caixa de diálogo **Alterar ambiente**, use os menus suspensos para selecionar sua **imagem**, **kernel**, **tipo de instância** e **script de inicialização** e escolha **Selecionar**. Seu caderno é iniciado e aberto em uma nova aba Studio.
![\[Configuração do ambiente do caderno Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-notebook-environment-setup.png)
## Criar um caderno a partir do inicializador
**Como criar um caderno a partir do inicializador**
1. Para abrir o Launcher, escolha **Amazon SageMaker Studio Classic** no canto superior esquerdo da interface do Studio Classic ou use o atalho `Ctrl + Shift + L` de teclado.
Para saber mais sobre todas as formas disponíveis parar abrir o Inicializador, consulte [Use o Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. No inicializador, na seção **Cadernos e recursos de computação**, escolha **Alterar ambiente**.
![\[SageMaker Ambiente de notebook configurado pelo Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-launcher-notebook-creation.png)
1. Na caixa de diálogo **Alterar ambiente**, use os menus suspensos para selecionar sua **imagem**, **kernel**, **tipo de instância** e **script de inicialização** e escolha **Selecionar**.
1. No inicializador, escolha **Criar caderno**. Seu caderno é iniciado e aberto em uma nova aba Studio.
Para visualizar a sessão do kernel do caderno, na barra lateral esquerda, escolha o ícone **Terminais e kernels em execução** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png)). Você pode interromper a sessão do kernel do caderno nessa visualização.
## Lista dos tipos de instância, imagens e kernels disponíveis
Para obter uma lista de todos os recursos disponíveis, consulte:
+ [Tipos de instância disponíveis para uso com notebooks Amazon SageMaker Studio Classic](notebooks-available-instance-types.md)
+ [SageMaker Imagens da Amazon disponíveis para uso com notebooks Studio Classic](notebooks-available-images.md)
# Como usar a barra de ferramentas do Caderno do Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Os notebooks Amazon SageMaker Studio Classic ampliam a JupyterLab interface. Para obter uma visão geral da JupyterLab interface original, consulte [A JupyterLab interface](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
A imagem a seguir mostra a barra de ferramentas e uma célula vazia de um caderno do Studio Classic.
![\[SageMaker Menu do notebook Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-notebook-menu.png)
Quando você faz uma pausa sobre um ícone da barra de ferramentas, uma dica de ferramenta exibe a função do ícone. Há comandos adicionais do caderno no menu principal do Studio Classic. A barra de ferramentais inclui os ícones a seguir:
| Ícone | Description |
| --- | --- |
| ![\[O ícone Salvar e verificar.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png) | **Salvar e ponto de verificação** Salva o caderno e atualiza o arquivo do ponto de verificação. Para obter mais informações, consulte [Conheça as diferenças entre o último ponto de verificação](notebooks-diff.md#notebooks-diff-checkpoint). |
| ![\[O ícone Inserir célula.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-insert-cell.png) | **Inserir célula** Insere uma célula de código abaixo da célula atual. A célula atual é indicada pelo marcador vertical azul na margem esquerda. |
| ![\[Os ícones Recortar, copiar e colar células.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-cut-copy-paste.png) | **Recortar, copiar e colar células** Corta, copia e cola as células selecionadas. |
| ![\[O ícone Executar células.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-run.png) | **Executar células** Executa as células selecionadas e torna a célula seguinte à última célula selecionada a nova célula selecionada: |
| ![\[O ícone Interromper o kernel.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-interrupt-kernel.png) | **Interromper o kernel** Interrompe o kernel que cancela a operação em execução atualmente. O kernel permanece ativo. |
| ![\[O ícone Reiniciar o kernel.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel.png) | **Reiniciar o kernel** Reinicia o kernel. As variáveis são redefinidas. As informações não salvas não são efetivadas. |
| ![\[O ícone Reinicie o kernel e execute todas as células.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel-run-all-cells.png) | **Reinicie o kernel e execute todas as células** Reinicia o kernel e, em seguida, executa todas as células do caderno. |
| ![\[O ícone do tipo de célula.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-cell-type.png) | **Tipo de célula** Exibe ou altera o tipo de célula atual. Os tipos de células são: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/notebooks-menu.html) |
| ![\[O ícone do Iniciar terminal.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png) | **Iniciar terminal** Inicia um terminal na SageMaker imagem que hospeda o notebook. Para ver um exemplo, consulte [Obter metadados da aplicação](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app). |
| ![\[O ícone Diferença de pontos de verificação.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png) | **Diferença de pontos de verificação** Abre uma nova aba que exibe a diferença entre o caderno e o arquivo de ponto de verificação. Para obter mais informações, consulte [Conheça as diferenças entre o último ponto de verificação](notebooks-diff.md#notebooks-diff-checkpoint). |
| ![\[O ícone de diferença do Git.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png) | **Diferença do Git** Somente habilitado se o caderno for aberto a partir de um repositório Git. Abre uma nova aba que exibe a diferença entre o caderno e a última confirmação do Git. Para obter mais informações, consulte [Conheça as diferenças entre a última confirmação](notebooks-diff.md#notebooks-diff-git). |
| **2 vCPU \$1 4 GiB** | **Tipo de instância** Exibe ou altera o tipo de instância no qual o caderno é executado. O formato é o seguinte: `number of vCPUs + amount of memory + number of GPUs` `Unknown` indica que o caderno foi aberto sem especificar um kernel. O notebook é executado na instância do SageMaker Studio e não acumula cobranças de tempo de execução. Não é possível atribuir o caderno a um tipo de instância. É necessário especificar um kernel e o Studio atribuirá o caderno a um tipo padrão. Para obter mais informações, consulte [Crie ou abra um notebook Amazon SageMaker Studio Classic](notebooks-create-open.md) e [Alterar o tipo de instância de um notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md). |
| ![\[O ícone Cluster.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-cluster.png) | **Cluster** Conecte seu caderno a um cluster do Amazon EMR e escale suas tarefas de ETL ou execute treinamento de modelos em grande escala usando Apache Spark, Hive ou Presto. Para obter mais informações, consulte [Preparação de dados usando o Amazon EMR](studio-notebooks-emr-cluster.md). |
| **Python 3 (Ciência de Dados)** | **Kernel e imagem SageMaker ** Exibe ou altera o kernel que processa as células no caderno. O formato é o seguinte: `Kernel (SageMaker Image)` `No Kernel` indica que o caderno foi aberto sem especificar um kernel. É possível editar o caderno, mas não é possível executar nenhuma célula. Para obter mais informações, consulte [Alterar a imagem ou o kernel de um notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md). |
| ![\[O ícone de status ocupado do Kernel.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-kernel-status.png) | **Status de ocupado do kernel** Exibe o status de ocupado do kernel. Quando a borda do círculo e seu interior são da mesma cor, o kernel está ocupado. O kernel está ocupado quando está iniciando e quando está processando células. Estados adicionais do kernel são exibidos na barra de status no canto inferior esquerdo do Studio. SageMaker |
| ![\[O ícone Compartilhar caderno.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-share.png) | **Compartilhar caderno** Compartilha o caderno. Para obter mais informações, consulte [Compartilhe e use um notebook Amazon SageMaker Studio Classic](notebooks-sharing.md). |
Para selecionar várias células, clique na margem esquerda fora de uma célula. Mantenha pressionada a tecla `Shift` e use a tecla `K` ou `Up` para selecionar células anteriores, ou use a tecla `J` ou `Down` para selecionar as células seguintes:
# Instale bibliotecas e kernels externos no Amazon Studio Classic SageMaker
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Os notebooks Amazon SageMaker Studio Classic vêm com várias imagens já instaladas. Essas imagens contêm kernels e pacotes Python, incluindo scikit-learn, Pandas,,, e. NumPy TensorFlow PyTorch MXNet Você também pode instalar suas próprias imagens que contenham pacotes e kernels de sua escolha. Para obter mais informações sobre instalação de sua própria imagem, consulte [Imagens personalizadas no Amazon SageMaker Studio Classic](studio-byoi.md).
Os diferentes kernels do Jupyter nos notebooks SageMaker Amazon Studio Classic são ambientes conda separados. Para obter mais informações sobre ambientes conda, consulte [Gerenciar ambientes](https://conda.io/docs/user-guide/tasks/manage-environments.html).
## Ferramentas de instalação do pacote
**Importante**
Atualmente, todos os pacotes nos SageMaker notebooks da Amazon são licenciados para uso com o Amazon SageMaker AI e não exigem licenças comerciais adicionais. No entanto, isso pode estar sujeito a alterações no futuro. Por isso, recomendamos que consulte regularmente os termos de licenciamento para verificar se existem atualizações.
O método usado para instalar pacotes Python a partir do terminal varia de acordo com a imagem. O Studio Classic é compatível com as seguintes ferramentas de instalação de pacotes:
+ **Cadernos**: os seguintes comandos são compatíveis. Se uma das opções a seguir não funcionar na sua imagem, tente a outra.
+ `%conda install`
+ `%pip install`
+ **O terminal Jupyter**: você pode instalar pacotes usando pip e conda diretamente. Você também pode usar `apt-get install` para instalar pacotes do sistema a partir do terminal.
**nota**
Não recomendamos o uso de `pip install -u` ou`pip install --user`, porque esses comandos instalam pacotes no volume Amazon EFS do usuário e podem potencialmente bloquear a reinicialização JupyterServer do aplicativo. Em vez disso, use uma configuração de ciclo de vida para reinstalar os pacotes necessários na reinicialização da aplicação, conforme mostrado em [Instale pacotes usando configurações de ciclo de vida](#nbi-add-external-lcc).
Recomendamos usar `%pip` e `%conda` para instalar pacotes de dentro de um caderno porque eles levam corretamente em conta o ambiente ativo ou o intérprete que está sendo usado. Para obter mais informações, consulte [Adicionar funções mágicas %pip e %conda](https://github.com/ipython/ipython/pull/11524). Você também pode usar a sintaxe de comando do sistema (linhas começando com \$1) para instalar pacotes. Por exemplo, `!pip install` e `!conda install`.
### Conda
O Conda é um sistema de gerenciamento de pacotes e sistema de gerenciamento de ambiente de código aberto que pode instalar pacotes e suas dependências. SageMaker A IA suporta o uso de conda com o canal conda-forge. Para obter mais informações, consulte [Canais conda](https://docs.conda.io/projects/conda/en/latest/user-guide/concepts/channels.html). O canal conda-forge é um canal comunitário onde os colaboradores podem fazer upload de pacotes.
**nota**
A instalação de pacotes do conda-forge pode levar até 10 minutos. O tempo está relacionado à forma como o conda resolve o gráfico de dependências.
Todos os ambientes fornecidos pela SageMaker IA são funcionais. Os pacotes instalados pelo usuário podem não funcionar corretamente.
O Conda tem dois métodos para ativar ambientes: `conda activate` e `source activate`. Para obter mais informações, consulte [Gerenciar ambiente](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html).
**Operações conda compatíveis**
+ `conda install` de um pacote em um único ambiente
+ `conda install` de um pacote em todos os ambientes
+ Instalar um pacote do repositório principal do conda
+ Instalar um pacote do conda-forge
+ Alterar o local de instalação do conda para usar o Amazon EBS
+ Compatível com `conda activate` e `source activate`
### Pip
Pip é a ferramenta para instalar e gerenciar pacotes Python. O Pip pesquisa pacotes no Python Package Index (PyPI) por padrão. Ao contrário do conda, o pip não tem compatibilidade ambiental integrada. Portanto, o pip não é tão completo quanto o conda quando se trata de pacotes com dependências nativas ou de bibliotecas do sistema. O Pip pode ser usado para instalar pacotes em ambientes conda. Você pode usar repositórios de pacotes alternativos com pip em vez do PyPI.
**Operações pip compatíveis**
+ Usar pip para instalar um pacote sem um ambiente conda ativo
+ Usar pip para instalar um pacote em um ambiente conda
+ Usar pip para instalar um pacote em todos os ambientes conda
+ Alterar o local de instalação do pip para usar o Amazon EBS
+ Usar um repositório alternativo para instalar pacotes com pip
### Sem compatibilidade
SageMaker A IA visa oferecer suporte ao maior número possível de operações de instalação de pacotes. No entanto, se os pacotes foram instalados pela SageMaker IA e você usa as seguintes operações nesses pacotes, isso pode tornar seu ambiente instável:
+ Desinstalação
+ Rebaixamento
+ Atualizar
Devido a possíveis problemas com as condições ou configurações da rede, ou a disponibilidade do conda ou PyPi, os pacotes podem não ser instalados em um período de tempo fixo ou determinístico.
**nota**
A tentativa de instalar um pacote em um ambiente com dependências incompatíveis pode resultar em uma falha. Se ocorrerem problemas, você pode entrar em contato com o mantenedor da biblioteca sobre a atualização das dependências do pacote. Quando você modifica o ambiente, como remover ou atualizar pacotes existentes, isso pode resultar na instabilidade desse ambiente.
## Instale pacotes usando configurações de ciclo de vida
Instale imagens e kernels personalizados no volume Amazon EBS da instância do Studio Classic para que eles persistam quando você parar e reiniciar o notebook e que as bibliotecas externas instaladas não sejam atualizadas pela IA. SageMaker Para fazer isso, use uma configuração de ciclo de vida que inclua um script que é executado quando você cria o caderno (`on-create)` e um script executado sempre que você reinicia o caderno (`on-start`). Para obter informações sobre como usar configurações de ciclo de vida do Studio Classic, consulte [Use configurações de ciclo de vida para personalizar o Amazon Studio Classic SageMaker](studio-lcc.md). Para exemplos de scripts de configuração do ciclo de vida, consulte [SageMaker Amostras de configuração do ciclo de vida do AI Studio Classic](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples).
# Compartilhe e use um notebook Amazon SageMaker Studio Classic
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você pode compartilhar seus cadernos Amazon SageMaker Studio Classic com seus colegas. O caderno compartilhado é uma cópia. Após compartilhar seu caderno, as alterações feitas no caderno original não são refletidas no caderno compartilhado e as alterações feitas por seu colega nas cópias compartilhadas do caderno não serão refletidas no caderno original. Se quiser compartilhar a versão mais recente, crie um snapshot e compartilhe-o.
**Topics**
+ [Compartilhar um caderno](#notebooks-sharing-share)
+ [Usar um caderno compartilhado](#notebooks-sharing-using)
+ [Espaços compartilhados e colaboração em tempo real](#notebooks-sharing-rtc)
## Compartilhar um caderno
A captura de tela a seguir mostra o menu de um caderno do Studio.
![\[A localização do ícone Compartilhar em um caderno Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-notebook-menu-share.png)
**Como compartilhar um caderno**
1. No canto superior direito do caderno, escolha **Share (Compartilhar)**.
1. (Opcional) Em **Create shareable snapshot (Criar snapshot compartilhável)**, escolha qualquer um dos seguintes itens:
+ **Incluir informações de repositório Git**: inclui um link para o repositório Git que contém o caderno. Isso permite que você e seu colega colaborem e contribuam com o mesmo repositório Git.
+ **Incluir saída**: inclui toda a saída do caderno que foi salva.
**nota**
Se você for um usuário do Centro de Identidade do IAM e não vir essas opções, o administrador do Centro de Identidade do IAM provavelmente desabilitou o atributo. Entre em contato com o administrador.
1. Escolha **Criar**.
1. Após a criação do snapshot, escolha **Copy link (Copiar link)** e **Close (Fechar)**.
1. Compartilhe o link com seu colega.
Após selecionar as opções de compartilhamento, você receberá um URL. Você pode compartilhar esse link com usuários que têm acesso ao Amazon SageMaker Studio Classic. Quando o usuário abre o URL, é solicitado que ele faça login usando o Centro de Identidade do IAM ou a autenticação do IAM. Esse caderno compartilhado se torna uma cópia, portanto, as alterações feitas pelo destinatário não serão reproduzidas no caderno original.
## Usar um caderno compartilhado
Você usa um caderno compartilhado da mesma forma como faria com qualquer caderno que você mesmo criou. Você deve primeiro fazer login na sua conta e depois abrir o link compartilhado. Caso você não tenha uma sessão ativa, receberá um erro.
Ao clicar em um link para um caderno compartilhado pela primeira vez, é aberta uma versão somente leitura do caderno. Para editar o caderno compartilhado, escolha **Create a Copy (Criar uma cópia)**. Isto copia o caderno compartilhado em seu armazenamento pessoal.
O notebook copiado é executado em uma instância do tipo de instância e da SageMaker imagem que o notebook estava usando quando o remetente o compartilhou. Se você não estiver executando uma instância desse tipo no momento, uma nova instância será iniciada. A personalização da SageMaker imagem não é compartilhada. Também é possível inspecionar o snapshot do caderno selecionando **Snapshot Details (Detalhes do snapshot)**.
Veja a seguir algumas considerações importantes sobre compartilhamento e autenticação:
+ Se você tiver uma sessão ativa, verá uma visualização somente leitura do caderno até selecionar **Create a Copy (Criar uma cópia)**.
+ Se você não tiver uma sessão ativa, será necessário fazer login.
+ Se você usar o IAM para fazer login, após fazer o login, selecione seu perfil de usuário e selecione **Abrir Studio Classic**. Depois, é necessário escolher o link que você recebeu.
+ Se você usar o Centro de Identidade do IAM para fazer login, após fazer o login, o caderno compartilhado será aberto automaticamente no Studio.
## Espaços compartilhados e colaboração em tempo real
Um espaço compartilhado consiste em um JupyterServer aplicativo compartilhado e um diretório compartilhado. Um dos principais benefícios de um espaço compartilhado é que ele facilita a colaboração entre os membros do espaço compartilhado em tempo real. Os usuários que colaboram em um espaço de trabalho têm acesso a uma aplicação compartilhada do Studio Classic, onde podem acessar, ler e editar seus cadernos em tempo real. A colaboração em tempo real só é suportada para JupyterServer aplicativos dentro de um espaço compartilhado. Os usuários com acesso a um espaço compartilhado podem simultaneamente abrir, visualizar, editar e executar cadernos Jupyter na aplicação do Studio compartilhada nesse espaço. Para obter mais informações sobre colaboração compartilhada, espaçada e em tempo real, consulte [Colaboração com espaços compartilhados](domain-space.md).
# Obtenha metadados do notebook e do aplicativo Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você pode acessar os metadados do notebook e os metadados do aplicativo usando a interface do usuário do Amazon SageMaker Studio Classic.
**Topics**
+ [Obter metadados do caderno do Studio Classic](#notebooks-run-and-manage-metadata-notebook)
+ [Obter metadados da aplicação](#notebooks-run-and-manage-metadata-app)
## Obter metadados do caderno do Studio Classic
Os notebooks Jupyter contêm metadados opcionais que você pode acessar por meio da interface do usuário do Amazon SageMaker Studio Classic.
**Para visualizar os metadados do caderno:**
1. Na barra lateral direita, escolha o ícone do **Inspetor de propriedades** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/gears.png)).
1. Abra a seção **Ferramentas avançadas**.
Os metadados devem ser semelhantes aos seguintes:
```
{
"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"
}
}
```
## Obter metadados da aplicação
Quando você cria um notebook no Amazon SageMaker Studio Classic, os metadados do aplicativo são gravados em um arquivo nomeado `resource-metadata.json` na pasta`/opt/ml/metadata/`. Você pode obter os metadados da aplicação abrindo um terminal de imagem de dentro do caderno. Os metadados fornecem as seguintes informações, que incluem a SageMaker imagem e o tipo de instância em que o notebook é executado:
+ **AppType** – `KernelGateway`
+ **DomainId**— O mesmo que o Studio ClassicID
+ **UserProfileName**— O nome do perfil do usuário atual
+ **ResourceArn**— O Amazon Resource Name (ARN) do aplicativo, que inclui o tipo de instância
+ **ResourceName**— O nome da SageMaker imagem
Metadados adicionais podem ser incluídos para uso interno do Studio Classic e estão sujeitos a alterações.
**Como obter os metadados da aplicação**
1. No centro do menu do caderno, escolha o ícone **Iniciar Terminal** (![\[Dollar sign icon representing currency or financial transactions.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png)). Isso abre um terminal na SageMaker imagem em que o notebook é executado.
1. Execute os seguintes comandos para exibir o conteúdo do arquivo `resource-metadata.json`:
```
$ cd /opt/ml/metadata/
cat resource-metadata.json
```
O arquivo deverá ser semelhante ao seguinte:
```
{
"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":""
}
```
# Veja as diferenças dos notebooks no Amazon SageMaker Studio Classic
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você pode exibir a diferença entre o notebook atual e o último ponto de verificação ou o último commit do Git usando a interface de usuário do SageMaker Amazon AI.
A captura de tela a seguir mostra o menu de um caderno do Studio.
![\[A localização do menu relevante em um caderno Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-notebook-menu-diffs.png)
**Topics**
+ [Conheça as diferenças entre o último ponto de verificação](#notebooks-diff-checkpoint)
+ [Conheça as diferenças entre a última confirmação](#notebooks-diff-git)
## Conheça as diferenças entre o último ponto de verificação
Quando você cria um caderno, um arquivo de ponto de verificação oculto que corresponde ao caderno é criado. Você pode visualizar as alterações entre o caderno e o arquivo de ponto de verificação ou reverter o caderno para corresponder ao arquivo de ponto de verificação.
Por padrão, um caderno é salvo automaticamente a cada 120 segundos e também quando o caderno é fechado. No entanto, o arquivo de ponto de verificação não é atualizado para corresponder ao caderno. Para salvar o caderno e atualizar o arquivo de ponto de verificação de correspondência, você deve escolher o ícone **Salvar caderno e criar ponto de verificação** (![\[Padlock icon representing security or access control in cloud services.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png)) à esquerda do menu do caderno ou usar o atalho de teclado `Ctrl + S`.
Para visualizar as alterações entre o caderno e o arquivo do ponto de verificação, escolha o ícone **Diferenças do ponto de verificação** (![\[Clock icon representing time or duration in a user interface.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png)) no centro do menu do caderno.
Para reverter o caderno para o arquivo de ponto de verificação, no menu principal do Studio, escolha **Arquivo** e **Reverter o caderno para o ponto de verificação**.
## Conheça as diferenças entre a última confirmação
Se um caderno for aberto a partir de um repositório Git, será possível visualizar a diferença entre o caderno e a última confirmação do Git.
Para visualizar as alterações no caderno a partir da última confirmação do Git, escolha o ícone **Diferença do Git** (![\[Dark button with white text displaying "git" in lowercase letters.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png)) no centro do menu do caderno.
# Gerencie recursos para notebooks Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você pode alterar o tipo de instância, a SageMaker imagem e o kernel de dentro de um notebook Amazon SageMaker Studio Classic. Para criar um kernel personalizado para usar com seus cadernos, consulte [Imagens personalizadas no Amazon SageMaker Studio Classic](studio-byoi.md).
**Topics**
+ [Alterar o tipo de instância de um notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md)
+ [Alterar a imagem ou o kernel de um notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md)
+ [Encerre os recursos do Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md)
# Alterar o tipo de instância de um notebook Amazon SageMaker Studio Classic
Quando você abre um novo caderno do Studio pela primeira vez, é atribuído a você um tipo de instância padrão do Amazon Elastic Compute Cloud (Amazon EC2) para executar o caderno. Quando você abre cadernos adicionais no mesmo tipo de instância, os cadernos são executados na mesma instância que o primeiro caderno, mesmo que eles usem kernels diferentes.
Você pode alterar o tipo de instância em que o caderno do Studio é executado de dentro do caderno.
As informações a seguir se aplicam somente aos cadernos do Studio. Para obter informações sobre como alterar o tipo de instância de uma instância de SageMaker notebook da Amazon, consulte[Atualizar uma instância de caderno](nbi-update.md).
**Importante**
Se você alterar o tipo de instância, as informações não salvas e as configurações existentes do caderno serão perdidas, e os pacotes instalados deverão ser reinstalados.
O tipo de instância anterior continua em execução mesmo se nenhuma sessão do kernel ou aplicação estiver ativo. Você deve interromper explicitamente a instância para interromper o acúmulo de cobranças. Para interromper a instância, consulte [Encerrar recursos](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions).
A captura de tela a seguir mostra o menu de um caderno do Studio. O processador e a memória do tipo de instância que acionam o caderno são exibidos como **2 vCPU \$1 4 GiB**.
![\[A localização do processador e da memória do tipo de instância para o caderno Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-notebook-menu-instance.png)
**Como alterar o tipo de instância**
1. Escolha o processador e a memória do tipo de instância que está alimentando o caderno. Isso abre uma janela pop-up.
1. Na janela pop-up **Configurar ambiente do caderno**, selecione o menu suspenso **Tipo de instância**.
1. No menu suspenso **Tipo de instância**, escolha um dos tipos de instância listados.
1. Após escolher um tipo, escolha **Selecionar**.
1. Aguarde até que a nova instância esteja habilitada, e as novas informações de tipo de instância serão exibidas.
Para obter uma lista dos tipos de instância disponíveis, consulte [Tipos de instância disponíveis para uso com notebooks Amazon SageMaker Studio Classic](notebooks-available-instance-types.md).
# Alterar a imagem ou o kernel de um notebook Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Com os notebooks Amazon SageMaker Studio Classic, você pode alterar a imagem ou o kernel do notebook de dentro do notebook.
A captura de tela a seguir mostra o menu de um caderno do Studio. O kernel e a imagem de SageMaker IA atuais são exibidos como **Python 3 (Data Science**), `Python 3` onde denota o kernel `Data Science` e denota a imagem de IA que contém SageMaker o kernel. A cor do círculo à direita indica o status ocioso ou ocupado do kernel. O kernel está ocupado quando o centro e a borda do círculo têm a mesma cor.
![\[A localização do kernel e da imagem atuais na barra de menu de um caderno Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-notebook-menu-kernel.png)
**Para alterar a imagem ou kernel de um caderno**
1. Escolha o image/kernel nome no menu do caderno.
1. Na janela pop-up **Configurar ambiente do caderno**, selecione o menu suspenso **Imagem** ou **Kernel**.
1. A partir do menu suspenso, escolha uma das imagens ou kernels que estão listados.
1. Após escolher uma imagem ou um kernel, escolha **Selecionar**.
1. Aguarde até que o status do kernel apareça como inativo, o que indica que o kernel foi iniciado.
Para obter uma lista de SageMaker imagens e kernels disponíveis, consulte. [SageMaker Imagens da Amazon disponíveis para uso com notebooks Studio Classic](notebooks-available-images.md)
# Encerre os recursos do Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você pode desligar recursos individuais de SageMaker IA da Amazon, incluindo notebooks, terminais, kernels, aplicativos e instâncias do Studio Classic. Você também pode encerrar todos os recursos em uma dessas categorias ao mesmo tempo. O Amazon SageMaker Studio Classic não oferece suporte ao desligamento de recursos de dentro de um notebook.
**nota**
Quando você encerra uma instância do caderno Studio Classic, os recursos adicionais que você criou no Studio Classic não são excluídos. Por exemplo, recursos adicionais podem incluir endpoints de SageMaker IA, clusters do Amazon EMR e buckets do Amazon S3. Para interromper o acúmulo de cobranças, você deve excluir manualmente esses recursos. Para obter informações sobre como encontrar recursos que estão acumulando cobranças, consulte [Analisando seus custos com](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html). AWS Cost Explorer
Os tópicos a seguir demonstram como excluir esses recursos de SageMaker IA.
**Topics**
+ [Encerrar um caderno aberto](#notebooks-run-and-manage-shut-down-notebook)
+ [Encerrar recursos](#notebooks-run-and-manage-shut-down-sessions)
## Encerrar um caderno aberto
Ao encerrar um caderno Studio Classic, o caderno não é excluído. O kernel no qual o caderno está sendo executado é encerrado e todas as informações não salvas no caderno são perdidas. Você pode encerrar um caderno aberto no menu **Arquivo** do Studio Classic ou no painel Terminal e kernels em execução. O procedimento a seguir mostra como encerrar um caderno aberto no menu **Arquivo** do Studio Classic.
**Como encerrar um caderno aberto no menu File (Arquivo)**
1. Execute o Studio Classic seguindo as etapas em[Inicie o Amazon SageMaker Studio Classic](studio-launch.md).
1. (Opcional) Salve o conteúdo do caderno escolhendo **Arquivo** e, em seguida, **Salvar Caderno**.
1. Escolha **Arquivo**.
1. Escolha **Fechar e Desligar o caderno**. Isso abre uma janela pop-up.
1. Na janela pop-up, escolha **OK**.
## Encerrar recursos
Você pode acessar o painel **Running Terminals and Kernels** do Amazon SageMaker Studio Classic selecionando o ícone **Running Terminals and Kernels** (). ![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png) O painel **Terminal e kernels em execução** tem quatro seções. Cada seção lista todos os recursos daquele tipo. Você pode encerrar cada recurso individualmente ou encerrar todos os recursos em uma seção ao mesmo tempo.
Quando você escolhe encerrar todos os recursos em uma seção, ocorre o seguinte:
+ ** INSTANCES/RUNNING APLICATIVOS EM EXECUÇÃO** — Todas as instâncias, aplicativos, notebooks, sessões do kernel, consoles/shells e terminais de imagem estão desligados. Terminais do sistema não são encerrados.
+ **SESSÕES DO KERNEL** — Todos os kernels e consoles/shells notebooks estão desligados.
+ **SESSÕES DE TERMINAL**: todos os terminais de imagem e terminais do sistema são encerrados.
**Para encerrar recursos**
1. Execute o Studio Classic seguindo as etapas em[Inicie o Amazon SageMaker Studio Classic](studio-launch.md).
1. Escolha o ícone **Terminais e kernels em execução**.
1. Realize um dos procedimentos a seguir:
+ Para desligar um recurso específico, escolha **Encerrar** na mesma linha do recurso.
Para instâncias em execução, uma caixa de diálogo de confirmação lista todos os recursos que a SageMaker IA encerrará. Uma caixa de diálogo de confirmação exibe todos as aplicações em execução. Escolha **Encerrar tudo** para continuar.
**nota**
Nenhuma caixa de diálogo de confirmação é exibida para sessões de kernel ou sessões de terminal.
+ Para encerrar todos os recursos em uma seção, escolha **X**, à direita do rótulo da seção. Nenhuma caixa de diálogo de confirmação é exibida. Escolha **Encerrar todos** para continuar.
**nota**
Quando você desliga esses recursos do Studio Classic, quaisquer recursos adicionais criados a partir do Studio Classic, como endpoints de SageMaker IA, clusters do Amazon EMR e buckets do Amazon S3, não são excluídos. Você deve excluir manualmente esses recursos para interromper o acúmulo de cobranças. Para obter informações sobre como encontrar recursos que estão acumulando cobranças, consulte [Analisando seus custos com](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html). AWS Cost Explorer
# Medição de uso para notebooks Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Não há cobrança adicional pelo uso do Amazon SageMaker Studio Classic. Os custos incorridos para executar notebooks, shells interativos, consoles e terminais do Amazon SageMaker Studio Classic são baseados no uso da instância do Amazon Elastic Compute Cloud (Amazon EC2).
Ao executar os seguintes recursos, você deve escolher uma SageMaker imagem e um kernel:
**No inicializador do Studio Classic**
+ Cadernos
+ Shell interativo
+ Terminal de imagem
**No menu **File (Arquivo)****
+ Cadernos
+ Console
Quando iniciado, o recurso é executado em uma instância do Amazon EC2 de um tipo de instância escolhido. Se uma instância desse tipo tiver sido iniciada anteriormente e estiver disponível, o recurso será executado nessa instância.
Para imagens baseadas em CPU, o tipo sugerido de instância padrão é `ml.t3.medium`. Para imagens baseadas em GPU, o tipo sugerido de instância padrão é `ml.g4dn.xlarge`.
Os custos incorridos baseiam-se no tipo de instância. Você será cobrado separadamente para cada instância.
A medição é iniciada quando uma instância é criada. A medição termina quando todas as aplicações na instância são encerradas ou a instância é encerrada. Para obter mais informações sobre como encerrar uma instância, consulte [Encerre os recursos do Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md).
**Importante**
Você deve encerrar a instância para não incorrer em cobranças. Se você encerrar o caderno em execução na instância, mas não encerrar a instância, você ainda incorrerá em cobranças. Quando você desliga as instâncias do notebook Studio Classic, quaisquer recursos adicionais, como endpoints de SageMaker IA, clusters do Amazon EMR e buckets do Amazon S3 criados a partir do Studio Classic, não são excluídos. Exclua esses recursos para interromper o acúmulo de cobranças.
Quando você abre vários cadernos no mesmo tipo de instância, os cadernos são executados na mesma instância, mesmo que estejam usando kernels diferentes. Você será cobrado somente pelo tempo em que uma instância estiver em execução.
Você pode alterar o tipo de instância de dentro do caderno depois de abri-lo. Para obter mais informações, consulte [Alterar o tipo de instância de um notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md).
Para obter informações sobre faturamento e exemplos de preços, consulte [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
# Recursos disponíveis para notebooks Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
As seções a seguir listam os recursos disponíveis para os notebooks Amazon SageMaker Studio Classic.
**Topics**
+ [Tipos de instância disponíveis para uso com notebooks Amazon SageMaker Studio Classic](notebooks-available-instance-types.md)
+ [SageMaker Imagens da Amazon disponíveis para uso com notebooks Studio Classic](notebooks-available-images.md)
# Tipos de instância disponíveis para uso com notebooks Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Os notebooks Amazon SageMaker Studio Classic são executados em instâncias do Amazon Elastic Compute Cloud (Amazon EC2). Os seguintes tipos de instância do Amazon EC2 estão disponíveis para uso com cadernos do Studio Classic: Para obter informações detalhadas sobre quais tipos de instância se adequam ao seu caso de uso e suas capacidades de desempenho, consulte [Tipos de instância do Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/). Para obter mais informações sobre a precificação desses tipos de instância, consulte [Definição de preço do Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Para obter informações sobre os tipos de instância do Amazon SageMaker Notebook disponíveis, consulte [CreateNotebookInstance](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html#sagemaker-CreateNotebookInstance-request-InstanceType).
**nota**
Para a maioria dos casos de uso, você deve usar um `ml.t3.medium`. Esse é o tipo de instância padrão para SageMaker imagens baseadas em CPU e está disponível como parte do nível [AWS gratuito](https://aws.amazon.com/free).
**Topics**
+ [Instâncias de CPU](#notebooks-resources-no-gpu)
+ [Instâncias com 1 ou mais GPUs](#notebooks-resources-gpu)
## Instâncias de CPU
A tabela a seguir lista os tipos de instância de CPU do Amazon EC2 sem GPU conectada que estão disponíveis para uso com cadernos do Studio Classic. Ela também lista informações sobre as especificações de cada tipo de instância. O tipo de instância padrão para imagens baseadas em CPU é `ml.t3.medium`.
Para obter informações detalhadas sobre quais tipos de instância se adequam ao seu caso de uso e suas capacidades de desempenho, consulte [Tipos de instância do Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/). Para obter mais informações sobre a precificação desses tipos de instância, consulte [Definição de preço do Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Instâncias de CPU
| Instância | Caso de uso | Início rápido | vCPU | Memória (GiB) | Armazenamento da instância (GB) |
| --- | --- | --- | --- | --- | --- |
| ml.t3.medium | Uso geral | Sim | 2 | 4 | Somente Amazon EBS |
| ml.t3.large | Uso geral | Não | 2 | 8 | Somente Amazon EBS |
| ml.t3.xlarge | Uso geral | Não | 4 | 16 | Somente Amazon EBS |
| ml.t3.2xlarge | Uso geral | Não | 8 | 32 | Somente Amazon EBS |
| ml.m5.large | Uso geral | Sim | 2 | 8 | Somente Amazon EBS |
| ml.m5.xlarge | Uso geral | Não | 4 | 16 | Somente Amazon EBS |
| ml.m5.2xlarge | Uso geral | Não | 8 | 32 | Somente Amazon EBS |
| ml.m5.4xlarge | Uso geral | Não | 16 | 64 | Somente Amazon EBS |
| ml.m5.8xlarge | Uso geral | Não | 32 | 128 | Somente Amazon EBS |
| ml.m5.12xlarge | Uso geral | Não | 48 | 192 | Somente Amazon EBS |
| ml.m5.16xlarge | Uso geral | Não | 64 | 256 | Somente Amazon EBS |
| ml.m5.24xlarge | Uso geral | Não | 96 | 384 | Somente Amazon EBS |
| ml.m5d.large | Uso geral | Não | 2 | 8 | 1 x 75 NVMe SSD |
| ml.m5d.xlarge | Uso geral | Não | 4 | 16 | 1 x 150 NVMe SSD |
| ml.m5d.2xlarge | Uso geral | Não | 8 | 32 | 1 x 300 NVMe SSD |
| ml.m5d.4xlarge | Uso geral | Não | 16 | 64 | 2 x 300 NVMe SSD |
| ml.m5d.8xlarge | Uso geral | Não | 32 | 128 | 2 x 600 NVMe SSD |
| ml.m5d.12xlarge | Uso geral | Não | 48 | 192 | 2 x 900 NVMe SSD |
| ml.m5d.16xlarge | Uso geral | Não | 64 | 256 | 4 x 600 NVMe SSD |
| ml.m5d.24xlarge | Uso geral | Não | 96 | 384 | NVMe SSD 4 x 900 |
| ml.c5.large | Otimizadas para computação | Sim | 2 | 4 | Somente Amazon EBS |
| ml.c5.xlarge | Otimizadas para computação | Não | 4 | 8 | Somente Amazon EBS |
| ml.c5.2xlarge | Otimizadas para computação | Não | 8 | 16 | Somente Amazon EBS |
| ml.c5.4xlarge | Otimizadas para computação | Não | 16 | 32 | Somente Amazon EBS |
| ml.c5.9xlarge | Otimizadas para computação | Não | 36 | 72 | Somente Amazon EBS |
| ml.c5.12xlarge | Otimizadas para computação | Não | 48 | 96 | Somente Amazon EBS |
| ml.c5.18xlarge | Otimizadas para computação | Não | 72 | 144 | Somente Amazon EBS |
| ml.c5.24xlarge | Otimizadas para computação | Não | 96 | 192 | Somente Amazon EBS |
| ml.r5.large | Otimizado para memória | Não | 2 | 16 | Somente Amazon EBS |
| ml.r5.xlarge | Otimizado para memória | Não | 4 | 32 | Somente Amazon EBS |
| ml.r5.2xlarge | Otimizado para memória | Não | 8 | 64 | Somente Amazon EBS |
| ml.r5.4xlarge | Otimizado para memória | Não | 16 | 128 | Somente Amazon EBS |
| ml.r5.8xlarge | Otimizado para memória | Não | 32 | 256 | Somente Amazon EBS |
| ml.r5.12xlarge | Otimizado para memória | Não | 48 | 384 | Somente Amazon EBS |
| ml.r5.16xlarge | Otimizado para memória | Não | 64 | 512 | Somente Amazon EBS |
| ml.r5.24xlarge | Otimizado para memória | Não | 96 | 768 | Somente Amazon EBS |
## Instâncias com 1 ou mais GPUs
A tabela a seguir lista os tipos de instância do Amazon EC2 com 1 ou mais GPUs anexos que estão disponíveis para uso com notebooks Studio Classic. Ela também lista informações sobre as especificações de cada tipo de instância. O tipo de instância padrão para imagens baseadas em GPU é `ml.g4dn.xlarge`.
Para obter informações detalhadas sobre quais tipos de instância se adequam ao seu caso de uso e suas capacidades de desempenho, consulte [Tipos de instância do Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/). Para obter mais informações sobre a precificação desses tipos de instância, consulte [Definição de preço do Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Instâncias com 1 ou mais GPUs
| Instância | Caso de uso | Início rápido | GPUs | vCPU | Memória (GiB) | Memória de GPU (GiB) | Armazenamento da instância (GB) |
| --- | --- | --- | --- | --- | --- | --- | --- |
| ml.p3.2xlarge | Computação acelerada | Não | 1 | 8 | 61 | 16 | Somente Amazon EBS |
| ml.p3.8xlarge | Computação acelerada | Não | 4 | 32 | 244 | 64 | Somente Amazon EBS |
| ml.p3.16xlarge | Computação acelerada | Não | 8 | 64 | 488 | 128 | Somente Amazon EBS |
| ml.p3dn.24xlarge | Computação acelerada | Não | 8 | 96 | 768 | 256 | 2 x 900 NVMe SSD |
| ml.p4d.24xlarge | Computação acelerada | Não | 8 | 96 | 1152 | 320 GB HBM2 | 8 x 1000 NVMe SSD |
| ml.p4de.24xlarge | Computação acelerada | Não | 8 | 96 | 1152 | 640 GB HBM2e | 8 x 1000 NVMe SSD |
| ml.g4dn.xlarge | Computação acelerada | Sim | 1 | 4 | 16 | 16 | 1 x 125 NVMe SSD |
| ml.g4dn.2xlarge | Computação acelerada | Não | 1 | 8 | 32 | 16 | 1 x 225 NVMe SSD |
| ml.g4dn.4xlarge | Computação acelerada | Não | 1 | 16 | 64 | 16 | 1 x 225 NVMe SSD |
| ml.g4dn.8xlarge | Computação acelerada | Não | 1 | 32 | 128 | 16 | 1 x 900 NVMe SSD |
| ml.g4dn.12xlarge | Computação acelerada | Não | 4 | 48 | 192 | 64 | 1 x 900 NVMe SSD |
| ml.g4dn.16xlarge | Computação acelerada | Não | 1 | 64 | 256 | 16 | 1 x 900 NVMe SSD |
| ml.g5.xlarge | Computação acelerada | Não | 1 | 4 | 16 | 24 | 1 x 250 NVMe SSD |
| ml.g5.2xlarge | Computação acelerada | Não | 1 | 8 | 32 | 24 | 1 x 450 NVMe SSD |
| ml.g5.4xlarge | Computação acelerada | Não | 1 | 16 | 64 | 24 | 1 x 600 NVMe SSD |
| ml.g5.8xlarge | Computação acelerada | Não | 1 | 32 | 128 | 24 | 1 x 900 NVMe SSD |
| ml.g5.12xlarge | Computação acelerada | Não | 4 | 48 | 192 | 96 | 1 x SSD 3800 NVMe |
| ml.g5.16xlarge | Computação acelerada | Não | 1 | 64 | 256 | 24 | 1 x 1900 NVMe SSD |
| ml.g5.24xlarge | Computação acelerada | Não | 4 | 96 | 384 | 96 | 1 x SSD 3800 NVMe |
| ml.g5.48xlarge | Computação acelerada | Não | 8 | 192 | 768 | 192 | 2 SSDs 3800 NVMe |
# SageMaker Imagens da Amazon disponíveis para uso com notebooks Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Esta página lista as SageMaker imagens e os kernels associados que estão disponíveis no Amazon SageMaker Studio Classic. Essa página também fornece informações sobre o formato necessário para criar o ARN para cada imagem. SageMaker as imagens contêm o [SDK mais recente do Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) e a versão mais recente do kernel. Para obter mais informações, consulte as [Imagens de contêineres de aprendizado profundo](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/deep-learning-containers-images.html).
**Topics**
+ [Formato do ARN da imagem](#notebooks-available-images-arn)
+ [Tags de URI compatíveis](#notebooks-available-uri-tag)
+ [Imagens compatíveis](#notebooks-available-images-supported)
+ [Imagens programadas para depreciação](#notebooks-available-images-deprecation)
+ [Imagens obsoletas](#notebooks-available-images-deprecated)
## Formato do ARN da imagem
A tabela a seguir lista o formato de ARN da imagem para cada Região. Para criar o ARN completo para uma imagem, substitua o *resource-identifier* espaço reservado pelo identificador de recurso correspondente para a imagem. O identificador do recurso é encontrado na tabela de SageMaker imagens e kernels. Para criar o URI completo para uma imagem, substitua o *tag* espaço reservado pela tag cpu ou gpu correspondente. Para ver a lista de tags que você pode usar, consulte[Tags de URI compatíveis](#notebooks-available-uri-tag).
**nota**
SageMaker As imagens de distribuição usam um conjunto distinto de imagens ARNs, listadas na tabela a seguir.
| Região | Formato do ARN da imagem | SageMaker Formato ARN da imagem de distribuição | SageMaker Formato URI de imagem de distribuição |
| --- | --- | --- | --- |
| 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 | 523751269255.dkr. 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 | 245090515133.dkr. 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 | 021081402939.dkr. 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 |
## Tags de URI compatíveis
A lista a seguir mostra as tags que você pode incluir no URI da imagem.
+ 1-cpu
+ 1-gpu
+ 0-cpu
+ 0-gpu
**Os exemplos a seguir são exibidos URIs com vários formatos de tag:**
+ 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
## Imagens compatíveis
A tabela a seguir fornece informações sobre as SageMaker imagens e os kernels associados que estão disponíveis no Amazon SageMaker Studio Classic. Ele também fornece informações sobre o identificador de recurso e a versão do Python incluídos na imagem.
SageMaker imagens e kernels
| SageMaker Imagem | Description | Identificador do recurso | Núcleos (e identificador) | Versão do Python |
| --- | --- | --- | --- | --- |
| Base Python 4.3 | Imagem oficial do Python 3.11 DockerHub com boto3 e incluída. AWS CLI | sagemaker-base-python-v4 | Python 3 (python3) | Python 3.11 |
| Base Python 4.2 | Imagem oficial do Python 3.11 DockerHub com boto3 e incluída. AWS CLI | sagemaker-base-python-v4 | Python 3 (python3) | Python 3.11 |
| Base Python 4.1 | Imagem oficial do Python 3.11 DockerHub com boto3 e incluída. AWS CLI | sagemaker-base-python-v4 | Python 3 (python3) | Python 3.11 |
| Base Python 4.0 | Imagem oficial do Python 3.11 DockerHub com boto3 e incluída. AWS CLI | sagemaker-base-python-v4 | Python 3 (python3) | Python 3.11 |
| Base Python 3.0 | Imagem oficial do Python 3.10 DockerHub com boto3 e incluída. AWS CLI | sagemaker-base-python-310-v1 | Python 3 (python3) | Python 3.10 |
| Data Science 5.3 | Data Science 5.3 é uma imagem [conda](https://docs.conda.io/projects/conda/en/latest/index.html) do Python 3.11 baseada na versão jammy-20240212 do Ubuntu. Ele inclui os pacotes e bibliotecas Python mais usados, como NumPy o Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 5.2 | Data Science 5.2 é uma imagem [conda](https://docs.conda.io/projects/conda/en/latest/index.html) do Python 3.11 baseada na versão jammy-20240212 do Ubuntu. Ele inclui os pacotes e bibliotecas Python mais usados, como NumPy o Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 5.1 | Data Science 5.1 é uma imagem [conda](https://docs.conda.io/projects/conda/en/latest/index.html) do Python 3.11 baseada na versão jammy-20240212 do Ubuntu. Ele inclui os pacotes e bibliotecas Python mais usados, como NumPy o Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 5.0 | Data Science 5.0 é uma imagem [conda](https://docs.conda.io/projects/conda/en/latest/index.html) do Python 3.11 baseada na versão jammy-20240212 do Ubuntu. Ele inclui os pacotes e bibliotecas Python mais usados, como NumPy o Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 4.0 | Data Science 4.0 é uma imagem [conda](https://docs.conda.io/projects/conda/en/latest/index.html) do Python 3.11 baseada na versão 22.04 do Ubuntu. Ele inclui os pacotes e bibliotecas Python mais usados, como NumPy o Learn. SciKit | sagemaker-data-science-311-v1 | Python 3 (python3) | Python 3.11 |
| Data Science 3.0 | Data Science 3.0 é uma imagem [conda](https://docs.conda.io/projects/conda/en/latest/index.html) do Python 3.10 baseada na versão 22.04 do Ubuntu. Ele inclui os pacotes e bibliotecas Python mais usados, como NumPy o Learn. SciKit | sagemaker-data-science-310-v1 | Python 3 (python3) | Python 3.10 |
| Geoespacial 1.0 | A Amazon SageMaker Geospatial é uma imagem Python que consiste em bibliotecas geoespaciais comumente usadas, como GDAL, Fiona GeoPandas, Shapley e Rasterio. Ele permite que você visualize dados geoespaciais dentro da SageMaker IA. Para obter mais informações, consulte [Amazon SageMaker Geospatial Notebook SDK](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-notebook-sdk.html) | sagemaker-geospatial-1.0 | Python 3 (python3) | Python 3.10 |
| SparkAnalytics 4.3 | A imagem SparkAnalytics 4.3 fornece opções de Spark e PySpark kernel no Amazon SageMaker Studio Classic, incluindo SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue PySpark, permitindo o processamento flexível de dados distribuídos. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.2 | A imagem SparkAnalytics 4.2 fornece opções de Spark e PySpark kernel no Amazon SageMaker Studio Classic, incluindo SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue PySpark, permitindo o processamento flexível de dados distribuídos. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.1 | A imagem SparkAnalytics 4.1 fornece opções de Spark e PySpark kernel no Amazon SageMaker Studio Classic, incluindo SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue PySpark, permitindo o processamento flexível de dados distribuídos. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.0 | A imagem SparkAnalytics 4.0 fornece opções de Spark e PySpark kernel no Amazon SageMaker Studio Classic, incluindo SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue PySpark, permitindo o processamento flexível de dados distribuídos. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 3.0 | A imagem SparkAnalytics 3.0 fornece opções de Spark e PySpark kernel no Amazon SageMaker Studio Classic, incluindo SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue PySpark, permitindo o processamento flexível de dados distribuídos. | sagemaker-sparkanalytics-311-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 2.0 | Edição individual Anaconda com grãos PySpark Spark. Para obter mais informações, consulte [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkanalytics-310-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.10 |
| PyTorch 2.4.0 Python 3.11 Otimizado para CPU | Os AWS Deep Learning Containers para PyTorch 2.4.0 com CUDA 12.4 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para GPU | Os AWS Deep Learning Containers para PyTorch 2.4.0 com CUDA 12.4 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para CPU | Os AWS Deep Learning Containers para PyTorch 2.3.0 com CUDA 12.1 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Python 3.11 Otimizado para GPU | Os AWS Deep Learning Containers para PyTorch 2.3.0 com CUDA 12.1 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para CPU | Os AWS Deep Learning Containers for PyTorch 2.2 com CUDA 12.1 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para GPU | Os AWS Deep Learning Containers for PyTorch 2.2 com CUDA 12.1 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para CPU | Os AWS Deep Learning Containers for PyTorch 2.1 com CUDA 12.1 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para GPU | Os AWS Deep Learning Containers for PyTorch 2.1 com CUDA 12.1 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para neurônios | PyTorch Imagem 1.13 com HuggingFace pacotes Neuron instalados para treinamento em instâncias do Trainium otimizadas para desempenho e escalabilidade. AWS | pytorch-1.13-310 hf-neuron-py | Python 3 (python3) | Python 3.10 |
| PyTorch 1.13 Python 3.10 Otimizado para neurônios | PyTorch Imagem 1.13 com pacotes Neuron instalados para treinamento em instâncias do Trainium otimizadas para desempenho e escalabilidade. AWS | pytorch-1.13-neuron-py310 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.14.0 Python 3.10 Otimizado para CPU | Os AWS Deep Learning Containers for TensorFlow 2.14 com CUDA 11.8 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para GPU | Os AWS Deep Learning Containers for TensorFlow 2.14 com CUDA 11.8 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 |
## Imagens programadas para depreciação
SageMaker A IA encerra o suporte para imagens um dia após o fim da vida útil de qualquer um dos pacotes na imagem pelo editor. As SageMaker imagens a seguir estão programadas para serem descontinuadas.
As imagens baseadas no Python 3.8 chegaram [end-of-life](https://endoflife.date/python)em 31 de outubro de 2024. A partir de 1º de novembro de 2024, a SageMaker IA interromperá o suporte para essas imagens e elas não poderão ser selecionadas na interface do usuário do Studio Classic. Para evitar problemas de não conformidade, se você estiver usando qualquer uma dessas imagens, recomendamos que você mude para uma imagem com uma versão posterior.
SageMaker imagens programadas para descontinuação
| SageMaker Imagem | Data da substituição | Description | Identificador do recurso | Kernels | Versão do Python |
| --- | --- | --- | --- | --- | --- |
| SageMaker CPU de distribuição v0.12 | 1.º de novembro de 2024 | SageMaker Distribution v0 CPU é uma imagem do Python 3.8 que inclui frameworks mais conhecidos para machine learning, ciência de dados e visualização na CPU. Isso inclui estruturas de aprendizado profundo como PyTorch, TensorFlow e Keras; pacotes Python populares como numpy, scikit-learn e pandas; e como o Jupyter Lab. IDEs Para obter mais informações, consulte o repositório [Amazon SageMaker AI Distribution](https://github.com/aws/sagemaker-distribution). | sagemaker-distribution-cpu-v0 | Python 3 (python3) | Python 3.8 |
| SageMaker GPU de distribuição v0.12 | 1.º de novembro de 2024 | SageMaker Distribution v0 GPU é uma imagem do Python 3.8 que inclui frameworks conhecidos para machine learning, ciência de dados e visualização na GPU. Isso inclui estruturas de aprendizado profundo como PyTorch, TensorFlow e Keras; pacotes Python populares como numpy, scikit-learn e pandas; e como o Jupyter Lab. IDEs Para obter mais informações, consulte o repositório [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.º de novembro de 2024 | Imagem oficial do Python 3.8 DockerHub com boto3 e incluída. AWS CLI | sagemaker-base-python-38 | Python 3 (python3) | Python 3.8 |
| Data Science 2.0 | 1.º de novembro de 2024 | Data Science 2.0 é uma imagem [conda](https://docs.conda.io/projects/conda/en/latest/index.html) do Python 3.8 baseada no Ubuntu versão 22.04. Ele inclui os pacotes e bibliotecas Python mais usados, como NumPy o Learn. SciKit | sagemaker-data-science-38 | Python 3 (python3) | Python 3.8 |
| PyTorch 1.13 Python 3.9 Otimizado para CPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for PyTorch 1.13 com CUDA 11.3 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [Notas da versão dos Contêineres de aprendizado profundo](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 Otimizado para GPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for PyTorch 1.13 com CUDA 11.7 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [Notas da versão dos Contêineres de aprendizado profundo](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 Otimizado para CPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for PyTorch 1.12 com CUDA 11.3 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Python 3.8 Otimizado para GPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for PyTorch 1.12 com CUDA 11.3 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para CPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for PyTorch 1.10 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [AWS Deep Learning Containers for PyTorch 1.10.2 em SageMaker IA](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-10-2-on-sagemaker/). | pytorch-1.10-cpu-py38 | Python 3 (python3) | Python 3.8 |
| PyTorch 1.10 Python 3.8 Otimizado para GPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for PyTorch 1.10 com CUDA 11.3 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [AWS Deep Learning Containers for PyTorch 1.10.2 em SageMaker IA](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-10-2-on-sagemaker/). | pytorch-1.10-gpu-py38 | Python 3 (python3) | Python 3.8 |
| SparkAnalytics 1,0 | 1.º de novembro de 2024 | Edição individual Anaconda com grãos PySpark Spark. Para obter mais informações, consulte [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkanalytics-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.8 |
| TensorFlow 2.13.0 Python 3.10 Otimizado para CPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for TensorFlow 2.13 com CUDA 11.8 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para GPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for TensorFlow 2.13 com CUDA 11.8 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para CPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for TensorFlow 2.6 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade AWS. Para obter mais informações, consulte [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 Otimizado para GPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for TensorFlow 2.6 com CUDA 11.2 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para CPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for PyTorch 2.0.1 com CUDA 12.1 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para GPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for PyTorch 2.0.1 com CUDA 12.1 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para CPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers para PyTorch 2.0.0 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [Notas da versão dos Contêineres de aprendizado profundo](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 Otimizado para GPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers para PyTorch 2.0.0 com CUDA 11.8 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [Notas da versão dos Contêineres de aprendizado profundo](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 Otimizado para CPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers para TensorFlow 2.12.0 com CUDA 11.2 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [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 Otimizado para GPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers para TensorFlow 2.12.0 com CUDA 11.8 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [Notas da versão dos Contêineres de aprendizado profundo](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 Otimizado para CPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers para TensorFlow 2.11.0 com CUDA 11.2 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [Notas da versão dos Contêineres de aprendizado profundo](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 Otimizado para GPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers para TensorFlow 2.11.0 com CUDA 11.2 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [Notas da versão dos Contêineres de aprendizado profundo](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 Otimizado para CPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for TensorFlow 2.10 com CUDA 11.2 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [Notas da versão dos Contêineres de aprendizado profundo](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 Otimizado para GPU | 1.º de novembro de 2024 | Os AWS Deep Learning Containers for TensorFlow 2.10 com CUDA 11.2 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [Notas da versão dos Contêineres de aprendizado profundo](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 |
## Imagens obsoletas
SageMaker A IA encerrou o suporte para as imagens a seguir. A descontinuação ocorre um dia após o fim da vida útil de qualquer um dos pacotes na imagem pelo publicador.
SageMaker imagens programadas para descontinuação
| SageMaker Imagem | Data da substituição | Description | Identificador do recurso | Kernels | Versão do Python |
| --- | --- | --- | --- | --- | --- |
| Ciência de dados | 30 de outubro de 2023 | Data Science é uma imagem [conda](https://docs.conda.io/projects/conda/en/latest/index.html) do Python 3.7 com os pacotes e bibliotecas Python mais usados, como o Learn. NumPy SciKit | datascience-1.0 | Python 3 | Python 3.7 |
| SageMaker JumpStart Ciência de dados 1.0 | 30 de outubro de 2023 | SageMaker JumpStart O Data Science 1.0 é uma JumpStart imagem que inclui pacotes e bibliotecas comumente usados. | sagemaker-jumpstart-data-science-1,0 | Python 3 | Python 3.7 |
| SageMaker JumpStart MXNet 1,0 | 30 de outubro de 2023 | SageMaker JumpStart MXNet 1.0 é uma JumpStart imagem que inclui MXNet. | sagemaker-jumpstart-mxnet-1,0 | Python 3 | Python 3.7 |
| SageMaker JumpStart PyTorch 1,0 | 30 de outubro de 2023 | SageMaker JumpStart PyTorch 1.0 é uma JumpStart imagem que inclui PyTorch. | sagemaker-jumpstart-pytorch-1,0 | Python 3 | Python 3.7 |
| SageMaker JumpStart TensorFlow 1,0 | 30 de outubro de 2023 | SageMaker JumpStart TensorFlow 1.0 é uma JumpStart imagem que inclui TensorFlow. | sagemaker-jumpstart-tensorflow-1,0 | Python 3 | Python 3.7 |
| SparkMagic | 30 de outubro de 2023 | Edição individual Anaconda com grãos PySpark Spark. Para obter mais informações, consulte [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkmagic | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.7 |
| TensorFlow 2.3 Python 3.7 Otimizado para CPU | 30 de outubro de 2023 | Os AWS Deep Learning Containers for TensorFlow 2.3 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade AWS. Para obter mais informações, consulte [AWS Deep Learning Containers com 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 Otimizado para GPU | 30 de outubro de 2023 | Os AWS Deep Learning Containers for TensorFlow 2.3 com CUDA 11.0 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [AWS Deep Learning Containers for TensorFlow 2.3.1 com 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 Otimizado para CPU | 30 de outubro de 2023 | Os AWS Deep Learning Containers for TensorFlow 1.15 incluem contêineres para treinamento em CPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [AWS Deep Learning Containers v7.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-v7-0-for-tensorflow/) for. TensorFlow | tensorflow-1.15-cpu-py37-ubuntu18.04-v7 | Python 3 | Python 3.7 |
| TensorFlow 1.15 Python 3.7 Otimizado para GPU | 30 de outubro de 2023 | Os AWS Deep Learning Containers for TensorFlow 1.15 com CUDA 11.0 incluem contêineres para treinamento em GPU, otimizados para desempenho e escalabilidade. AWS Para obter mais informações, consulte [AWS Deep Learning Containers v7.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-v7-0-for-tensorflow/) for. TensorFlow | tensorflow-1.15-gpu-py37-cu110-ubuntu18.04-v8 | Python 3 | Python 3.7 |
# Personalize o Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Há quatro opções para personalizar seu ambiente Amazon SageMaker Studio Classic. Você traz sua própria SageMaker imagem, usa um script de configuração do ciclo de vida, anexa repositórios Git sugeridos ao Studio Classic ou cria kernels usando ambientes persistentes do Conda no Amazon EFS. Use cada opção individualmente ou em conjunto.
+ **Traga sua própria SageMaker imagem:** uma SageMaker imagem é um arquivo que identifica os kernels, pacotes de idiomas e outras dependências necessárias para executar um notebook Jupyter no Amazon Studio Classic. SageMaker A Amazon SageMaker AI fornece muitas imagens integradas para você usar. Se precisar de uma funcionalidade diferente, você pode trazer suas próprias imagens personalizadas para o Studio.
+ **Use configurações de ciclo de vida com o Amazon SageMaker Studio Classic:** as configurações de ciclo de vida são scripts de shell acionados por eventos do ciclo de vida do Amazon SageMaker Studio Classic, como iniciar um novo notebook Studio Classic. Você pode usar configurações de ciclo de vida para automatizar a personalização do seu ambiente Studio. Por exemplo, você pode instalar pacotes personalizados, configurar extensões de caderno, pré-carregar conjuntos de dados e configurar repositórios de código-fonte.
+ **Anexe repositórios Git sugeridos ao Studio Classic:** você pode anexar um repositório Git sugerido no nível do domínio URLs do Amazon SageMaker AI ou do perfil do usuário. Em seguida, você pode selecionar o URL do repositório na lista de sugestões e cloná-lo em seu ambiente usando a extensão Git no Studio.
+ **Ambientes Conda persistentes para o volume Studio Classic Amazon EFS:** o Studio usa um volume do Amazon EFS como uma camada de armazenamento persistente. Você pode salvar seu ambiente Conda nesse volume do Amazon EFS e, em seguida, usar o ambiente salvo para criar kernels. O Studio Classic seleciona automaticamente todos os ambientes válidos salvos no Amazon EFS como KernelGateway kernels. Esses kernels persistem até a reinicialização do kernel, da aplicação e do Studio Classic. Para obter mais informações, consulte a seção **Ambientes Persist Conda para o volume EFS do Studio** Classic em [Quatro abordagens para gerenciar pacotes Python em notebooks Amazon SageMaker ](https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/) Studio Classic.
Os tópicos a seguir mostram como usar essas três opções para personalizar seu ambiente Amazon SageMaker Studio Classic.
**Topics**
+ [Imagens personalizadas no Amazon SageMaker Studio Classic](studio-byoi.md)
+ [Use configurações de ciclo de vida para personalizar o Amazon Studio Classic SageMaker](studio-lcc.md)
+ [Anexe repositórios Git sugeridos ao Amazon Studio Classic SageMaker](studio-git-attach.md)
# Imagens personalizadas no Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Uma SageMaker imagem é um arquivo que identifica os kernels, pacotes de idiomas e outras dependências necessárias para executar um notebook Jupyter no Amazon Studio Classic. SageMaker Essas imagens são usadas para criar um ambiente a partir do qual você executa os cadernos Jupyter. A Amazon SageMaker AI fornece muitas imagens integradas para você usar. Para ver a lista de imagens integradas, consulte [SageMaker Imagens da Amazon disponíveis para uso com notebooks Studio Classic](notebooks-available-images.md).
Se precisar de uma funcionalidade diferente, você pode trazer suas próprias imagens personalizadas para o Studio. Você pode criar imagens e versões de imagens e anexar versões de imagem ao seu domínio ou espaço compartilhado usando o painel de controle de SageMaker IA [AWS SDK para Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html), o e o [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/). Você também pode criar imagens e versões de imagens usando o console de SageMaker IA, mesmo que não tenha se integrado a um domínio de SageMaker IA. SageMaker A IA fornece exemplos de Dockerfiles para usar como ponto de partida para suas SageMaker imagens personalizadas no repositório [SageMaker Studio Classic Custom Image Samples](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/).
Os tópicos a seguir explicam como trazer sua própria imagem usando o console de SageMaker IA ou AWS CLI, em seguida, iniciar a imagem no Studio Classic. Para um artigo de blog semelhante, consulte [Trazendo seu próprio ambiente de R para o Amazon SageMaker Studio Classic](https://aws.amazon.com/blogs/machine-learning/bringing-your-own-r-environment-to-amazon-sagemaker-studio/). Para cadernos que mostram como trazer sua própria imagem para uso em treinamento e inferência, consulte [Amazon SageMaker Studio Classic Container Build CLI](https://github.com/aws/amazon-sagemaker-examples/tree/main/aws_sagemaker_studio/sagemaker_studio_image_build).
## Terminologia básica
A seção a seguir define os principais termos para usar sua própria imagem com o Studio Classic.
+ **Dockerfile:** um Dockerfile é um arquivo que identifica os pacotes de idiomas e outras dependências da sua imagem do Docker.
+ **Imagem do Docker:** a imagem do Docker é um Dockerfile embutido. Essa imagem é verificada no Amazon ECR e serve como base para a imagem de SageMaker IA.
+ **SageMaker imagem:** uma SageMaker imagem é um suporte para um conjunto de versões de imagens de SageMaker IA com base em imagens do Docker. Cada versão da imagem é imutável.
+ **Versão da imagem:** uma versão de imagem de uma SageMaker imagem representa uma imagem do Docker e é armazenada em um repositório Amazon ECR. Cada versão da imagem é imutável. Essas versões da imagem podem ser anexadas a um domínio ou espaço compartilhado e usadas com o Studio Classic.
**Topics**
+ [Terminologia básica](#studio-byoi-basics)
+ [Especificações de SageMaker imagem personalizadas para o Amazon SageMaker Studio Classic](studio-byoi-specs.md)
+ [Pré-requisitos para imagens personalizadas no Amazon Studio Classic SageMaker](studio-byoi-prereq.md)
+ [Adicione uma imagem do Docker compatível com o Amazon SageMaker Studio Classic ao Amazon ECR](studio-byoi-sdk-add-container-image.md)
+ [Crie uma SageMaker imagem personalizada para o Amazon SageMaker Studio Classic](studio-byoi-create.md)
+ [Anexe uma SageMaker imagem personalizada no Amazon SageMaker Studio Classic](studio-byoi-attach.md)
+ [Inicie uma SageMaker imagem personalizada no Amazon SageMaker Studio Classic](studio-byoi-launch.md)
+ [Limpe os recursos para imagens personalizadas no Amazon SageMaker Studio Classic](studio-byoi-cleanup.md)
# Especificações de SageMaker imagem personalizadas para o Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
As especificações a seguir se aplicam à imagem do contêiner representada por uma versão de imagem de SageMaker IA.
**Executando a imagem**
`ENTRYPOINT`e `CMD` as instruções são substituídas para permitir que a imagem seja executada como um KernelGateway aplicativo.
A porta 8888 na imagem está reservada para executar o servidor KernelGateway web.
**Interrompendo a imagem**
A API `DeleteApp` emite o equivalente a um comando `docker stop`. Outros processos no contêiner não receberão os SIGKILL/SIGTERM sinais.
**Descoberta do kernel**
SageMaker [A IA reconhece os kernels conforme definido pelas especificações do kernel do Jupyter.](https://jupyter-client.readthedocs.io/en/latest/kernels.html#kernelspecs)
Você pode especificar uma lista de kernels a serem exibidos antes de executar a imagem. Se não for especificado, python3 será exibido. Use a [DescribeAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAppImageConfig.html)API para ver a lista de kernels.
Os ambientes Conda são reconhecidos como especificações do kernel por padrão.
**Sistema de arquivos**
Os diretórios `/opt/.sagemakerinternal` e `/opt/ml` são reservados. Qualquer dado nesses diretórios pode não estar visível em runtime.
**Dados do usuário**
Cada usuário em um domínio obtém um diretório de usuários em um volume compartilhado do Amazon Elastic File System na imagem. O local do diretório do usuário atual no volume do Amazon EFS é configurável. Por padrão, o local do diretório é `/home/sagemaker-user`.
SageMaker O AI configura UID/GID mapeamentos POSIX entre a imagem e o host. O padrão é mapear o usuário root UID/GID (0/0) para o UID/GID no host.
Você pode especificar esses valores usando a [CreateAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html)API.
**Limites de GID/UID**
O Amazon SageMaker Studio Classic só oferece suporte ao seguinte `DefaultUID` e às `DefaultGID` combinações a seguir:
+ DefaultUID: 1000 e DefaultGID: 100, que corresponde a um usuário sem privilégios.
+ DefaultUID: 0 e DefaultGID: 0, que corresponde ao acesso raiz.
**Metadados**
Um arquivo de metadados está localizado em `/opt/ml/metadata/resource-metadata.json`. Nenhuma variável de ambiente adicional é incluída às variáveis definidas na imagem. Para obter mais informações, consulte [Obter metadados da aplicação](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app).
**GPU**
Em uma instância de GPU, a imagem é executada com a opção `--gpus`. Somente o kit de ferramentas CUDA deve ser incluído na imagem, não os drivers da NVIDIA. Para obter mais informações, consulte o [Guia do usuário do NVIDIA](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/user-guide.html).
**Métricas e registro em log**
Os registros do KernelGateway processo são enviados para a Amazon CloudWatch na conta do cliente. O nome do grupo de logs é `/aws/sagemaker/studio`. O nome do fluxo de logs é `$domainID/$userProfileName/KernelGateway/$appName`.
**Tamanho da imagem**
Limitado a 35 GB. Para ver o tamanho da sua imagem, execute `docker image ls`.
## Exemplo de Dockerfile
O exemplo de Dockerfile a seguir cria uma imagem baseada no Amazon Linux 2, instala pacotes de terceiros e o `python3` kernel e define o escopo para o usuário não privilegiado.
```
FROM public.ecr.aws/amazonlinux/amazonlinux:2
ARG NB_USER="sagemaker-user"
ARG NB_UID="1000"
ARG NB_GID="100"
RUN \
yum install --assumeyes python3 shadow-utils && \
useradd --create-home --shell /bin/bash --gid "${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}
```
# Pré-requisitos para imagens personalizadas no Amazon Studio Classic SageMaker
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você deve atender aos seguintes pré-requisitos para trazer seu próprio contêiner para uso com o Amazon SageMaker Studio Classic.
+ A aplicação do Docker. Para obter informações sobre como configurar o Docker, consulte [Orientação e configuração](https://docs.docker.com/get-started/).
+ Instale o AWS CLI seguindo as etapas em [Introdução ao AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html).
+ Uma cópia local de qualquer Dockerfile para criar uma imagem compatível com o Studio Classic. Para exemplos de imagens personalizadas, consulte o repositório de [amostras de imagens personalizadas do SageMaker AI Studio Classic](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/).
+ Permissões de acesso ao serviço Amazon Elastic Container Registry (Amazon ECR). Para obter mais informações, consulte [Políticas gerenciadas do Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/ecr_managed_policies.html).
+ Uma função AWS Identity and Access Management de execução que tem a [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política anexada. Se você se integrou ao domínio Amazon SageMaker AI, pode obter a função na seção **Resumo do domínio** do painel de controle de SageMaker IA.
+ Instale a CLI de criação de imagem do Studio Classic seguindo as etapas no [SageMaker Docker](https://github.com/aws-samples/sagemaker-studio-image-build-cli) Build. Essa CLI permite que você crie um Dockerfile usando o. AWS CodeBuild
# Adicione uma imagem do Docker compatível com o Amazon SageMaker Studio Classic ao Amazon ECR
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você executa as seguintes etapas para adicionar uma imagem de contêiner ao Amazon ECR:
+ Crie um repositório do Amazon ECR.
+ Autentique no Amazon ECR.
+ Crie uma imagem do Docker compatível com o Studio Classic.
+ Empurre a imagem para o repositório do Amazon ECR.
**nota**
O repositório Amazon ECR deve estar no mesmo repositório do Studio Região da AWS Classic.
**Para criar e adicionar uma imagem de contêiner ao Amazon ECR**
1. Crie um repositório do Amazon ECR usando a AWS CLI. Para criar o repositório usando o console do Amazon ECR, consulte [Criação de um repositório](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--repository-name smstudio-custom \
--image-scanning-configuration scanOnPush=true
```
A resposta deve ser semelhante ao seguinte:
```
{
"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. Crie o `Dockerfile` usando a CLI de criação de imagem do Studio. O ponto (.) especifica que o Dockerfile deve estar no contexto do comando de compilação. Esse comando cria a imagem e carrega a imagem criada no repositório ECR. Em seguida, ele gera o URI da imagem.
```
sm-docker build . --repository smstudio-custom:custom
```
A resposta deve ser semelhante ao seguinte:
```
Image URI: .dkr.ecr..amazonaws.com/
```
# Crie uma SageMaker imagem personalizada para o Amazon SageMaker Studio Classic
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Este tópico descreve como você pode criar uma SageMaker imagem personalizada usando o console SageMaker AI ou AWS CLI.
Quando você cria uma imagem no console, a SageMaker IA também cria uma versão inicial da imagem. A versão da imagem representa uma imagem de contêiner no [Registro de contêiner Amazon Elastic Container Registry (ECR)](https://console.aws.amazon.com/ecr/). A imagem do contêiner deve atender aos requisitos para ser usada no Amazon SageMaker Studio Classic. Para obter mais informações, consulte [Especificações de SageMaker imagem personalizadas para o Amazon SageMaker Studio Classic](studio-byoi-specs.md). Para obter informações sobre como testar sua imagem localmente e resolver problemas comuns, consulte o repositório [SageMaker Studio Classic Custom Image Samples](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md).
Depois de criar sua SageMaker imagem personalizada, você deve anexá-la ao seu domínio ou espaço compartilhado para usá-la com o Studio Classic. Para obter mais informações, consulte [Anexe uma SageMaker imagem personalizada no Amazon SageMaker Studio Classic](studio-byoi-attach.md).
## Crie uma SageMaker imagem a partir do console
A seção a seguir demonstra como criar uma SageMaker imagem personalizada no console de SageMaker IA.
**Criar uma imagem**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Imagens**.
1. Na página **Imagens personalizadas**, escolha **Criar imagem**.
1. Em **Fonte da imagem**, insira o caminho do registro para a imagem de contêiner no Amazon ECR. O caminho é tem o seguinte formato:
` acct-id.dkr.ecr.region.amazonaws.com/repo-name[:tag] or [@digest] `
1. Escolha **Próximo**.
1. Em **Propriedades da imagem**, insira o seguinte:
+ Nome da imagem: O nome deve ser exclusivo para a sua conta Região da AWS atual.
+ (Opcional) Nome de exibição: O nome exibido na interface de usuário do Studio Classic. Quando não fornecido, `Image name` é exibido.
+ (Opcional) Descrição: uma descrição da imagem.
+ Função do IAM — A função deve ter a [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política anexada. Use a lista suspensa para escolher uma das seguintes opções:
+ Criar um novo perfil: Especifique quaisquer buckets adicionais do Amazon Simple Storage Service (Amazon S3) aos quais você deseja que os usuários dos cadernos tenham acesso. Se não quiser permitir acesso a buckets adicionais, escolha **Nenhum**.
SageMaker A IA atribui a `AmazonSageMakerFullAccess` política à função. A função permite que os usuários de seus cadernos tenham acesso aos buckets do S3 listados ao lado das marcas de seleção.
+ Insira um ARN do perfil do IAM personalizado: Insira o nome do recurso da Amazon (ARN) da perfil do IAM.
+ Uso da função existente: Escolha uma das suas funções existentes na lista.
+ (Opcional) Tags de imagem: Escolha **Adicionar nova tag**. É possível adicionar até 50 tags. As tags podem ser pesquisadas usando a interface de usuário do Studio Classic, o console de SageMaker IA ou a `Search` API de SageMaker IA.
1. Escolha **Enviar**.
A nova imagem é exibida na lista de **imagens personalizadas** e destacada brevemente. Depois que a imagem for criada com êxito, você poderá escolher o nome da imagem para ver suas propriedades ou escolher **Criar versão** para criar outra versão.
**Para criar outra versão da imagem**
1. Escolha **Criar versão** na mesma linha da imagem.
1. Em **Fonte da imagem**, insira o caminho do registro para a imagem do contêiner no Amazon ECR. A imagem do contêiner não deve ser a mesma usada em uma versão anterior da SageMaker imagem.
## Crie uma SageMaker imagem a partir do AWS CLI
Você executa as etapas a seguir para criar uma SageMaker imagem a partir da imagem do contêiner usando AWS CLI o.
+ Crie uma `Image`.
+ Crie uma `ImageVersion`.
+ Criar um arquivo de configuração.
+ Crie uma `AppImageConfig`.
**Para criar as entidades SageMaker de imagem**
1. Crie uma SageMaker imagem.
```
aws sagemaker create-image \
--image-name custom-image \
--role-arn arn:aws:iam:::role/service-role/
```
A resposta deve ser semelhante ao seguinte:
```
{
"ImageArn": "arn:aws:sagemaker:us-east-2:acct-id:image/custom-image"
}
```
1. Crie uma versão de SageMaker imagem a partir da imagem do contêiner.
```
aws sagemaker create-image-version \
--image-name custom-image \
--base-image .dkr.ecr..amazonaws.com/smstudio-custom:custom-image
```
A resposta deve ser semelhante ao seguinte:
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1"
}
```
1. Verifique se a versão da imagem foi criada com sucesso.
```
aws sagemaker describe-image-version \
--image-name custom-image \
--version-number 1
```
A resposta deve ser semelhante ao seguinte:
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1",
"ImageVersionStatus": "CREATED"
}
```
**nota**
Se a resposta for `"ImageVersionStatus": "CREATED_FAILED"`, ela também incluirá o motivo da falha. Um problema de permissão é uma causa comum de falha. Você também pode verificar seus CloudWatch registros da Amazon se tiver uma falha ao iniciar ou executar o KernelGateway aplicativo para obter uma imagem personalizada. O nome do grupo de logs é `/aws/sagemaker/studio`. O nome do fluxo de logs é `$domainID/$userProfileName/KernelGateway/$appName`.
1. Crie um arquivo de configuração denominado `app-image-config-input.json`. O valor `Name` de `KernelSpecs` deve corresponder ao nome do KernelSpec disponível na imagem associada a esse `AppImageConfig`. Esse valor diferencia maiúsculas de minúsculas. Você pode encontrar os KernelSpecs disponíveis em uma imagem executando `jupyter-kernelspec list` partir de um shell dentro do contêiner. `MountPath` é o caminho dentro da imagem para montar seu diretório inicial do Amazon Elastic File System (Amazon EFS). Ele precisa ser diferente do caminho que você usa dentro do contêiner porque esse caminho será substituído quando seu diretório inicial do Amazon EFS for montado.
**nota**
Os seguintes valores `DefaultUID` e `DefaultGID` as combinações são os únicos valores aceitos:
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. Crie o AppImageConfig usando o arquivo criado na etapa anterior.
```
aws sagemaker create-app-image-config \
--cli-input-json file://app-image-config-input.json
```
A resposta deve ser semelhante ao seguinte:
```
{
"AppImageConfigArn": "arn:aws:sagemaker:us-east-2:acct-id:app-image-config/custom-image-config"
}
```
# Anexe uma SageMaker imagem personalizada no Amazon SageMaker Studio Classic
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Para usar uma SageMaker imagem personalizada, você deve anexar uma versão da imagem ao seu domínio ou espaço compartilhado. Quando você anexa uma versão de imagem, ela aparece no SageMaker Studio Classic Launcher e está disponível na lista suspensa **Selecionar imagem**, que os usuários usam para iniciar uma atividade ou alterar a imagem usada por um notebook.
Para disponibilizar uma SageMaker imagem personalizada para todos os usuários em um domínio, você anexa a imagem ao domínio. Para disponibilizar uma imagem para todos os usuários em um espaço compartilhado, você pode anexar a imagem ao espaço compartilhado. Para disponibilizar uma imagem para um único usuário, você anexa a imagem ao perfil do usuário. Quando você anexa uma imagem, a SageMaker IA usa a versão mais recente da imagem por padrão. Você também pode anexar uma versão específica da imagem. Depois de anexar a versão, você pode escolher a versão no SageMaker AI Launcher ou no seletor de imagens ao iniciar um notebook.
Há um limite para o número de versões de imagem que podem ser anexadas a qualquer momento. Depois de atingir o limite, você deve desanexar uma versão para anexar outra versão da imagem.
As seções a seguir demonstram como anexar uma SageMaker imagem personalizada ao seu domínio usando o console de SageMaker IA ou AWS CLI o. Você só pode anexar uma imagem personalizada a um espaço compartilhado usando o AWS CLI.
## Anexar a SageMaker imagem a um domínio
### Anexe a SageMaker imagem usando o console
Este tópico descreve como você pode anexar uma versão de SageMaker imagem personalizada existente ao seu domínio usando o painel de controle do SageMaker AI. Você também pode criar uma SageMaker imagem personalizada e uma versão da imagem e, em seguida, anexar essa versão ao seu domínio. Para obter o procedimento para criar uma imagem e uma versão da imagem, consulte [Crie uma SageMaker imagem personalizada para o Amazon SageMaker Studio Classic](studio-byoi-create.md).
**Para anexar uma imagem existente**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na página **Domínios**, selecione o Domínio ao qual anexar a imagem.
1. Na página de **Detalhes do domínio**, selecione a guia de **Ambiente**.
1. Na guia **Ambiente**, em **Imagens personalizadas do SageMaker Studio Classic anexadas ao domínio**, escolha **Anexar imagem**.
1. Em **Fonte da imagem**, escolha **Imagem existente**.
1. Escolha uma imagem existente na lista.
1. Escolha uma versão da imagem na lista.
1. Escolha **Próximo**.
1. Verifique os valores para **Nome da imagem**, **Nome de exibição da imagem** e **Descrição**.
1. Escolha o Perfil do IAM. Para obter mais informações, consulte [Crie uma SageMaker imagem personalizada para o Amazon SageMaker Studio Classic](studio-byoi-create.md).
1. (Opcional) Adicione tags para a imagem.
1. Especifique o caminho de montagem do EFS. Esse é o caminho dentro da imagem para montar o diretório inicial do Amazon Elastic File System (EFS) do usuário.
1. Em **Tipo de imagem**, selecione **Imagem de SageMaker estúdio**
1. Em **Nome do kernel**, insira o nome de um kernel existente na imagem. Para obter informações sobre como obter as informações do kernel da imagem, consulte [DEVELOPMENT](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md) no repositório SageMaker Studio Classic Custom Image Samples. Para obter mais informações, consulte as seções **Descoberta do kernel** e **Dados do usuário** do [Especificações de SageMaker imagem personalizadas para o Amazon SageMaker Studio Classic](studio-byoi-specs.md).
1. (Opcional) Em **Nome de exibição do kernel**, insira o nome de exibição do kernel.
1. Escolha **Adicionar kernel**.
1. Escolha **Enviar**.
1. Aguarde até que a versão da imagem seja anexada ao domínio. Quando anexada, a versão é exibida na lista de **imagens personalizadas** e destacada brevemente.
### Anexe a SageMaker imagem usando o AWS CLI
As seções a seguir demonstram como anexar uma SageMaker imagem personalizada ao criar um novo domínio ou atualizar seu domínio existente usando AWS CLI o.
#### Anexar a SageMaker imagem a um novo domínio
A seção a seguir demonstra como criar um novo domínio com a versão anexada. Estas etapas exigem que você especifique as informações e a função de execução da Nuvem privada virtual (VPC) da Amazon necessária para criar o domínio. Você executa as etapas a seguir para criar o domínio e anexar a SageMaker imagem personalizada:
+ Obtenha seu ID de VPC e sub-rede padrão. IDs
+ Crie o arquivo de configuração para o domínio, que especifica a imagem.
+ Crie um domínio com o arquivo de configuração.
**Para adicionar a SageMaker imagem personalizada ao seu domínio**
1. Obtenha seu ID de VPC padrão.
```
aws ec2 describe-vpcs \
--filters Name=isDefault,Values=true \
--query "Vpcs[0].VpcId" --output text
```
A resposta deve ser semelhante ao seguinte:
```
vpc-xxxxxxxx
```
1. Obtenha sua sub-rede padrão IDs usando o ID da VPC da etapa anterior.
```
aws ec2 describe-subnets \
--filters Name=vpc-id,Values= \
--query "Subnets[*].SubnetId" --output json
```
A resposta deve ser semelhante ao seguinte:
```
[
"subnet-b55171dd",
"subnet-8a5f99c6",
"subnet-e88d1392"
]
```
1. Crie um arquivo de configuração denominado `create-domain-input.json`. Insira o ID da VPC, a sub-rede IDs e `ImageName` as etapas `AppImageConfigName` anteriores. Como o `ImageVersionNumber` não está especificado, a versão mais recente da imagem é usada, que é a única versão nesse caso.
```
{
"DomainName": "domain-with-custom-image",
"VpcId": "",
"SubnetIds": [
""
],
"DefaultUserSettings": {
"ExecutionRole": "",
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "custom-image",
"AppImageConfigName": "custom-image-config"
}
]
}
},
"AuthMode": "IAM"
}
```
1. Crie o domínio com a SageMaker imagem personalizada anexada.
```
aws sagemaker create-domain \
--cli-input-json file://create-domain-input.json
```
A resposta deve ser semelhante ao seguinte:
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx",
"Url": "https://d-xxxxxxxxxxxx.studio.us-east-2.sagemaker.aws/..."
}
```
#### Anexe a SageMaker imagem ao seu domínio atual
Se você se integrou a um domínio de SageMaker IA, pode anexar a imagem personalizada ao seu domínio atual. Para obter mais informações sobre a integração em um domínio de SageMaker IA, consulte[Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md). Você não precisa especificar as informações sobre a VPC e o perfil de execução ao anexar uma imagem personalizada ao seu domínio atual. Depois de anexar a versão, você deve excluir todos as aplicações em seu domínio e reabrir o Studio Classic. Para obter informações sobre como excluir aplicações, consulte [Excluir um domínio da Amazon SageMaker AI](gs-studio-delete-domain.md).
Você executa as etapas a seguir para adicionar a SageMaker imagem ao seu domínio atual.
+ Obtenha seu `DomainID` do painel de controle SageMaker AI.
+ Use o `DomainID` para obter o `DefaultUserSettings` para o domínio.
+ Adicione o `ImageName` e `AppImageConfig` como uma `CustomImage` ao `DefaultUserSettings`.
+ Atualize seu domínio para incluir a imagem personalizada.
**Para adicionar a SageMaker imagem personalizada ao seu domínio**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na página **Domínios**, selecione o Domínio ao qual anexar a imagem.
1. Na página de **detalhes do domínio**, selecione a guia **Configurações do domínio**.
1. Na guia **Configurações do domínio**, em **Configurações gerais**, encontre o `DomainId`. O ID está no seguinte formato: `d-xxxxxxxxxxxx`.
1. Use o ID do domínio para obter a descrição do domínio.
```
aws sagemaker describe-domain \
--domain-id
```
A resposta deve ser semelhante ao seguinte:
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Salve a seção de configurações padrão do usuário da resposta em um arquivo chamado `default-user-settings.json`.
1. Insira o `ImageName` e o `AppImageConfigName` das etapas anteriores como uma imagem personalizada. Como o `ImageVersionNumber` não está especificado, a versão mais recente da imagem é usada, que é a única versão nesse caso.
```
{
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "string",
"AppImageConfigName": "string"
}
],
...
}
}
}
```
1. Use o ID do domínio e o arquivo de configurações padrão do usuário para atualizar seu domínio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-user-settings.json
```
A resposta deve ser semelhante ao seguinte:
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
## Anexe a SageMaker imagem a um espaço compartilhado
Você só pode anexar a SageMaker imagem a um espaço compartilhado usando AWS CLI o. Depois de anexar a versão, você deve excluir todos as aplicações em seu espaço compartilhado e reabrir o Studio Classic. Para obter informações sobre como excluir aplicações, consulte [Excluir um domínio da Amazon SageMaker AI](gs-studio-delete-domain.md).
Você executa as etapas a seguir para adicionar a SageMaker imagem a um espaço compartilhado.
+ Obtenha seu `DomainID` do painel de controle SageMaker AI.
+ Use o `DomainID` para obter o `DefaultSpaceSettings` para o domínio.
+ Adicione o `ImageName` e `AppImageConfig` como uma `CustomImage` ao `DefaultSpaceSettings`.
+ Atualize seu domínio para incluir a imagem personalizada com o espaço compartilhado.
**Para adicionar a SageMaker imagem personalizada ao seu espaço compartilhado**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na página **Domínios**, selecione o Domínio ao qual anexar a imagem.
1. Na página de **detalhes do domínio**, selecione a guia **Configurações do domínio**.
1. Na guia **Configurações do domínio**, em **Configurações gerais**, encontre o `DomainId`. O ID está no seguinte formato: `d-xxxxxxxxxxxx`.
1. Use o ID do domínio para obter a descrição do domínio.
```
aws sagemaker describe-domain \
--domain-id
```
A resposta deve ser semelhante ao seguinte:
```
{
"DomainId": "d-xxxxxxxxxxxx",
...
"DefaultSpaceSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Salve a seção de configurações padrão do espaço da resposta em um arquivo chamado `default-space-settings.json`.
1. Insira o `ImageName` e o `AppImageConfigName` das etapas anteriores como uma imagem personalizada. Como o `ImageVersionNumber` não está especificado, a versão mais recente da imagem é usada, que é a única versão nesse caso.
```
{
"DefaultSpaceSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "string",
"AppImageConfigName": "string"
}
],
...
}
}
}
```
1. Use o ID do domínio e o arquivo de configurações padrão do espaço para atualizar seu domínio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-space-settings.json
```
A resposta deve ser semelhante ao seguinte:
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
## Veja a imagem anexada em SageMaker AI
Depois de criar a SageMaker imagem personalizada e anexá-la ao seu domínio, a imagem aparece na guia **Ambiente** do domínio. Você só pode visualizar as imagens anexadas para espaços compartilhados AWS CLI usando o comando a seguir.
```
aws sagemaker describe-domain \
--domain-id
```
# Inicie uma SageMaker imagem personalizada no Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Depois de criar sua SageMaker imagem personalizada e anexá-la ao seu domínio ou espaço compartilhado, a imagem personalizada e o kernel aparecem nos seletores na caixa de diálogo **Alterar ambiente** do Studio Classic Launcher.
**Para executar e selecionar sua imagem personalizada e kernel**
1. No Amazon SageMaker Studio Classic, abra o Launcher. Para abrir o Launcher, escolha **Amazon SageMaker Studio Classic** no canto superior esquerdo da interface do Studio Classic ou use o atalho `Ctrl + Shift + L` de teclado.
Para saber mais sobre todas as formas disponíveis para abrir o Inicializador, consulte [Use o Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
![\[SageMaker Lançador Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-new-launcher.png)
1. No inicializador, na seção **Cadernos e recursos de computação**, escolha **Alterar ambiente**.
1. Na caixa de diálogo **Alterar ambiente**, use os menus suspensos para selecionar sua **imagem** na seção **Imagem personalizada** e seu **Kernel**, depois escolha **Selecionar**.
1. No Inicializador, escolha **Criar caderno** ou **Abrir terminal de imagem**. Seu caderno ou terminal é iniciado na Imagem personalizada e kernel selecionados.
Para alterar sua imagem ou kernel em um caderno aberto, consulte [Alterar a imagem ou o kernel de um notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
**nota**
Se você encontrar um erro ao iniciar a imagem, verifique seus CloudWatch registros da Amazon. O nome do grupo de logs é `/aws/sagemaker/studio`. O nome do fluxo de logs é `$domainID/$userProfileName/KernelGateway/$appName`.
# Limpe os recursos para imagens personalizadas no Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
As seções a seguir mostram como limpar os recursos que você criou nas seções anteriores no console de SageMaker IA ou AWS CLI. Você executa as seguintes etapas para limpar os recursos:
+ Separe a imagem e as versões da imagem do seu domínio.
+ Exclua a imagem, a versão da imagem e a configuração da imagem da aplicação.
+ Exclua a imagem de contêiner e o repositório do Amazon ECR. Para obter mais informações, consulte [Excluir um repositório](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-delete.html).
## Limpe os recursos do console de SageMaker IA
A seção a seguir mostra como limpar recursos do console de SageMaker IA.
Quando você separa uma imagem de um domínio, todas as versões da imagem são separadas. Quando uma imagem é separada, todos os usuários do domínio perdem o acesso às versões da imagem. Um caderno em execução que tem uma sessão de kernel em uma versão da imagem quando a versão é desvinculada continua em execução. Quando o caderno é interrompido ou o kernel é encerrado, a versão da imagem fica indisponível.
**Para desassociar uma imagem**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Imagens**.
1. Em **Imagens do Custom SageMaker Studio Classic anexadas ao domínio**, escolha a imagem e escolha **Desanexar**.
1. (Opcional) Para excluir a imagem e todas as versões do SageMaker AI, selecione **Também excluir as imagens selecionadas...** . Isso não exclui as imagens de contêiner associadas do Amazon ECR.
1. Escolha **Desassociar**.
## Limpe os recursos do AWS CLI
A seção a seguir mostra como limpar esses recursos do AWS CLI.
**Para limpar os recursos**
1. Separe a imagem e as versões da imagem do seu domínio passando uma lista vazia de imagens personalizadas para o domínio. Abra o arquivo `default-user-settings.json` que você criou em [Anexe a SageMaker imagem ao seu domínio atual](studio-byoi-attach.md#studio-byoi-sdk-attach-current-domain). Para desassociar a imagem e a versão da imagem de um espaço compartilhado, abra o arquivo `default-space-settings.json`.
1. Exclua as imagens personalizadas e salve o arquivo.
```
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
},
...
}
```
1. Use o ID do domínio e o arquivo de configurações padrão do usuário para atualizar seu domínio. Para atualizar seu espaço compartilhado, use o arquivo de configurações de espaço padrão.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-user-settings.json
```
A resposta deve ser semelhante ao seguinte:
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
1. Exclua a configuração da imagem da aplicação.
```
aws sagemaker delete-app-image-config \
--app-image-config-name custom-image-config
```
1. Exclua a SageMaker imagem, o que também exclui todas as versões da imagem. As imagens de contêiner no ECR que são representadas pelas versões da imagem não são excluídas.
```
aws sagemaker delete-image \
--image-name custom-image
```
# Use configurações de ciclo de vida para personalizar o Amazon Studio Classic SageMaker
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O Amazon SageMaker Studio Classic aciona scripts de shell de configurações do ciclo de vida durante eventos importantes do ciclo de vida, como iniciar um novo notebook Studio Classic. Você pode usar configurações de ciclo de vida para automatizar a personalização do seu ambiente Studio. Essa personalização inclui a instalação de pacotes personalizados, a configuração de extensões do caderno, o pré-carregamento de conjuntos de dados e a configuração de repositórios de código-fonte.
O uso de configurações de ciclo de vida oferece flexibilidade e controle para configurar o Studio Classic para atender às suas necessidades específicas. Por exemplo, você pode usar imagens de contêiner personalizadas com scripts de configuração do ciclo de vida para modificar seu ambiente. Primeiro, crie um conjunto mínimo de imagens básicas de contêiner e, em seguida, instale os pacotes e bibliotecas mais usados nessas imagens. Depois de concluir suas imagens, use as configurações de ciclo de vida para instalar pacotes adicionais para casos de uso específicos. Isso oferece a flexibilidade de modificar seu ambiente em todas as equipes de ciência de dados e machine learning com base na necessidade.
Os usuários só podem selecionar scripts de configuração do ciclo de vida aos quais tenham acesso. Embora você possa dar acesso a vários scripts de configuração de ciclo de vida, você também pode definir scripts de configuração de ciclo de vida padrão para recursos. Com base no recurso para o qual a configuração padrão do ciclo de vida está definida, o padrão é executado automaticamente ou é a primeira opção mostrada.
Para ver exemplos de scripts de configuração do ciclo de vida, consulte o repositório de exemplos de configuração do [ciclo de vida do Studio Classic](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples). GitHub Para um blog sobre a implementação da configuração do ciclo de vida, consulte Personalizar o [Amazon SageMaker Studio Classic usando configurações de ciclo de vida](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/).
**nota**
Cada script tem um limite de **16.384 caracteres**.
**Topics**
+ [Crie e associe uma configuração de ciclo de vida ao Amazon Studio Classic SageMaker](studio-lcc-create.md)
+ [Defina configurações de ciclo de vida padrão para o Amazon Studio Classic SageMaker](studio-lcc-defaults.md)
+ [Depurar configurações de ciclo de vida no Amazon Studio Classic SageMaker](studio-lcc-debug.md)
+ [Atualize e separe configurações de ciclo de vida no Amazon Studio Classic SageMaker](studio-lcc-delete.md)
# Crie e associe uma configuração de ciclo de vida ao Amazon Studio Classic SageMaker
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
A Amazon SageMaker AI fornece aplicativos interativos que habilitam a interface visual, a criação de código e a experiência de execução do Studio Classic. Esta série mostra como criar uma configuração de ciclo de vida e associá-la a um domínio de SageMaker IA.
Os tipos de aplicações podem ser `JupyterServer` ou`KernelGateway`.
+ **Aplicações do `JupyterServer`:** esse tipo de aplicação permite o acesso à interface visual do Studio Classic. Cada usuário e espaço compartilhado no Studio Classic recebem seu próprio JupyterServer aplicativo.
+ **Aplicações do `KernelGateway`:** esse tipo de aplicação permite o acesso ao ambiente de execução de código e aos kernels de seus cadernos e terminais do Studio Classic. Para obter mais informações, consulte [Jupyter Kernel Gateway](https://jupyter-kernel-gateway.readthedocs.io/en/latest/).
Para obter mais informações sobre a arquitetura do Studio Classic e os aplicativos do Studio Classic, consulte [Usar notebooks Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html).
**Topics**
+ [Crie uma configuração de ciclo de vida a partir do para o AWS CLI Amazon Studio Classic SageMaker](studio-lcc-create-cli.md)
+ [Crie uma configuração de ciclo de vida a partir do console SageMaker AI para o Amazon Studio Classic SageMaker](studio-lcc-create-console.md)
# Crie uma configuração de ciclo de vida a partir do para o AWS CLI Amazon Studio Classic SageMaker
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O tópico a seguir mostra como criar uma configuração de ciclo de vida usando o AWS CLI para automatizar a personalização do seu ambiente Studio Classic.
## Pré-requisitos
Antes de começar, conclua os seguintes pré-requisitos:
+ Atualize o AWS CLI seguindo as etapas em [Instalando a AWS CLI versão atual](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Em sua máquina local, execute `aws configure` e forneça suas credenciais da AWS . Para obter informações sobre AWS credenciais, consulte [Entendendo e obtendo suas AWS credenciais](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Integre-se ao domínio de SageMaker IA seguindo as etapas em[Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
## Etapa 1: criar uma configuração de ciclo de vida
O procedimento a seguir mostra como criar um script de configuração do ciclo de vida que imprime `Hello World`.
**nota**
Cada script pode ter até **16.384 caracteres**.
1. De sua máquina local, crie um arquivo denominado `my-script.sh` com o conteúdo a seguir.
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Converter seu arquivo `my-script.sh` no formato base64. Esse requisito evita erros que ocorram devido à codificação de espaçamento e quebra de linha.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Crie uma configuração de ciclo de vida para uso com o Studio Classic. O comando a seguir cria uma configuração de ciclo de vida que é executada quando você inicia uma aplicação associada `KernelGateway`.
```
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
```
Anote o ARN da configuração de ciclo de vida recém-criada que é retornada. Esse ARN é obrigatório para anexar a configuração do ciclo de vida ao seu aplicativo.
## Etapa 2: anexar a configuração do ciclo de vida ao seu domínio, perfil de usuário ou espaço compartilhado
Para anexar a configuração do ciclo de vida, você deve atualizar as `UserSettings` de seu domínio ou perfil de usuário ou as `SpaceSettings` de um espaço compartilhado. Os scripts de configuração do ciclo de vida associados no nível do domínio são herdados por todos os usuários. No entanto, os scripts associados no nível do perfil do usuário têm como escopo um usuário específico, enquanto os scripts associados no nível do espaço compartilhado têm como escopo o espaço compartilhado.
O exemplo a seguir mostra como criar um novo perfil de usuário com a configuração de ciclo de vida anexada. Você também pode criar um novo domínio ou espaço com uma configuração de ciclo de vida anexada usando os comandos [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), respectivamente.
Adicione o ARN da configuração do ciclo de vida da etapa anterior às configurações do tipo de aplicação apropriado. Por exemplo, coloque-o no `JupyterServerAppSettings` do usuário. É possível adicionar várias configurações de ciclo de vida ao mesmo tempo usando uma lista de configurações de ciclo de vida. Quando um usuário inicia um JupyterServer aplicativo com o AWS CLI, ele pode passar uma configuração de ciclo de vida para usar em vez da padrão. A configuração do ciclo de vida que o usuário passa deve pertencer à lista de configurações do ciclo de vida em `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]
}
}'
```
O exemplo a seguir mostra como atualizar um espaço compartilhado existente para anexar a configuração de ciclo de vida. Você também pode atualizar um domínio ou perfil de usuário existente com uma configuração de ciclo de vida anexada usando o comando ou domínio [de atualização](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html). [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html) Ao atualizar a lista de configurações de ciclo de vida anexada, você deve passar todas as configurações de ciclo de vida como parte da lista. Se uma configuração de ciclo de vida não fizer parte dessa lista, ela não será anexada à aplicação.
```
aws sagemaker update-space --domain-id domain-id \
--space-name space-name \
--region region \
--space-settings '{
"JupyterServerAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
Para obter informações sobre como definir uma configuração de ciclo de vida padrão para um recurso, consulte [Defina configurações de ciclo de vida padrão para o Amazon Studio Classic SageMaker](studio-lcc-defaults.md).
## Etapa 3: Iniciar aplicação com configuração de ciclo de vida
Depois de anexar uma configuração de ciclo de vida a um domínio, perfil de usuário ou espaço, o usuário pode selecioná-la ao iniciar uma aplicação com o AWS CLI. Esta seção descreve como iniciar uma aplicação com uma configuração de ciclo de vida anexada. Para obter informações sobre como alterar a configuração padrão do ciclo de vida após iniciar um JupyterServer aplicativo, consulte. [Defina configurações de ciclo de vida padrão para o Amazon Studio Classic SageMaker](studio-lcc-defaults.md)
Inicie o tipo de aplicação desejado usando o comando `create-app` e especifique o ARN da configuração do ciclo de vida no argumento `resource-spec`.
+ O exemplo a seguir mostra como criar uma aplicação `JupyterServer` com uma configuração do ciclo de vida associado. Ao criar o `JupyterServer`, o `app-name` deve ser `default`. O ARN da configuração do ciclo de vida passado como parte do `resource-spec` parâmetro deve fazer parte da lista de configuração do ciclo de vida ARNs especificada `UserSettings` para seu domínio ou perfil de usuário ou para um espaço compartilhado. `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
```
+ O exemplo a seguir mostra como criar uma aplicação `KernelGateway` com uma configuração do ciclo de vida associado.
```
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
```
# Crie uma configuração de ciclo de vida a partir do console SageMaker AI para o Amazon Studio Classic SageMaker
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O tópico a seguir mostra como criar uma configuração de ciclo de vida a partir do console Amazon SageMaker AI para automatizar a personalização do seu ambiente Studio Classic.
## Pré-requisitos
Antes que você possa começar este tutorial, conclua os seguintes pré-requisitos:
+ Faça parte do Amazon SageMaker Studio Classic. Para obter mais informações, consulte [Onboard to Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html).
## Etapa 1: Criar uma nova configuração de ciclo de vida
Você pode criar uma configuração de ciclo de vida inserindo um script no console do Amazon SageMaker AI.
**nota**
Cada script pode ter até **16.384 caracteres**.
O procedimento a seguir mostra como criar um script de configuração do ciclo de vida que imprime `Hello World`.
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações administrativas**, escolha **Configurações de ciclo de vida**.
1. Escolha a guia **Studio**.
1. Escolha **Criar configuração**.
1. Em **Selecionar tipo de configuração**, selecione o tipo de aplicação ao qual a configuração do ciclo de vida deve ser anexada. Para obter mais informações sobre como selecionar a qual aplicação anexar a configuração do ciclo de vida, consulte [Defina configurações de ciclo de vida padrão para o Amazon Studio Classic SageMaker](studio-lcc-defaults.md).
1. Escolha **Próximo**.
1. Na seção chamada **Ajustes de configuração**, insira um nome para sua configuração de ciclo de vida.
1. Na seção **Scripts**, insira o conteúdo a seguir.
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. (Opcional) Crie uma tag para sua configuração de ciclo de vida.
1. Escolha **Enviar**.
## Etapa 2: Anexar a configuração do ciclo de vida a um domínio ou perfil de usuário
Os scripts de configuração do ciclo de vida associados no nível do domínio são herdados por todos os usuários. No entanto, os scripts associados no nível do perfil do usuário têm como escopo um usuário específico.
Você pode anexar várias configurações de ciclo de vida a um domínio ou perfil de usuário para ambos JupyterServer e aplicativos. KernelGateway
**nota**
Para anexar uma configuração de ciclo de vida a um espaço compartilhado, você deve usar o AWS CLI. Para obter mais informações, consulte [Crie uma configuração de ciclo de vida a partir do para o AWS CLI Amazon Studio Classic SageMaker](studio-lcc-create-cli.md).
As seções a seguir mostram como anexar uma configuração de ciclo de vida para seu domínio ou perfil de usuário.
### Anexar a um domínio
Veja a seguir como anexar uma configuração de ciclo de vida ao seu domínio existente a partir do console de SageMaker IA.
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de domínios, selecione o domínio ao qual anexar a configuração do ciclo de vida.
1. Em **Detalhes do domínio**, escolha a guia de **Ambiente**.
1. Em **Configurações de duração para aplicações pessoais do Studio**, escolha **Anexar**.
1. Em **Origem**, escolha **Configuração existente**.
1. Em **Configurações de ciclo de vida do Studio**, selecione a configuração de ciclo de vida que você criou na etapa anterior.
1. Selecione **Anexar a domínio**.
### Anexar ao seu perfil de usuário
Veja a seguir como anexar uma configuração de ciclo de vida ao seu perfil de usuário existente.
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de domínios, selecione o domínio que contém o perfil do usuário para anexar a configuração do ciclo de vida.
1. Em **Perfis de usuário**, selecione o perfil do usuário.
1. Na página **Detalhes do usuário**, escolha **Editar**.
1. No painel de navegação à esquerda, escolha **Configurações do Studio**.
1. Em **Configurações de ciclo de vida anexadas ao usuário**, escolha **Anexar**.
1. Em **Origem**, escolha **Configuração existente**.
1. Em **Configurações de ciclo de vida do Studio**, selecione a configuração de ciclo de vida que você criou na etapa anterior.
1. Escolha **Anexar ao perfil do usuário**.
## Etapa 3: Iniciar uma aplicação com configuração de ciclo de vida
Depois de anexar uma configuração de ciclo de vida a um domínio ou perfil de usuário, você pode iniciar uma aplicação com essa configuração de ciclo de vida anexada. A escolha da configuração de ciclo de vida com a qual iniciar depende do tipo de aplicação.
+ **JupyterServer**: ao iniciar um JupyterServer aplicativo a partir do console, a SageMaker IA sempre usa a configuração padrão do ciclo de vida. Você não pode usar uma configuração de ciclo de vida diferente ao iniciar a partir do console. Para obter informações sobre como alterar a configuração padrão do ciclo de vida após iniciar um JupyterServer aplicativo, consulte. [Defina configurações de ciclo de vida padrão para o Amazon Studio Classic SageMaker](studio-lcc-defaults.md)
Para selecionar uma configuração de ciclo de vida anexada diferente, você deve iniciar com o AWS CLI. Para obter mais informações sobre como iniciar um JupyterServer aplicativo com uma configuração de ciclo de vida anexada a partir do AWS CLI, consulte. [Crie uma configuração de ciclo de vida a partir do para o AWS CLI Amazon Studio Classic SageMaker](studio-lcc-create-cli.md)
+ **KernelGateway**: você pode selecionar qualquer uma das configurações de ciclo de vida anexadas ao iniciar um KernelGateway aplicativo usando o Studio Classic Launcher.
O procedimento a seguir descreve como iniciar um KernelGateway aplicativo com uma configuração de ciclo de vida anexada a partir do console de SageMaker IA.
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Execute o Studio Classic. Para obter mais informações, consulte [Inicie o Amazon SageMaker Studio Classic](studio-launch.md).
1. Na interface do usuário do Studio Classic, abra o Inicializador do Studio Classic. Para obter mais informações, consulte [Use o Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. No Inicializador do Studio Classic, navegue até a seção **Cadernos e recursos de computação.**
1. Clique no botão **Criar ambiente**.
1. Na caixa de diálogo **Alterar ambiente**, use as listas suspensas para selecionar sua **imagem**, **kernel**, **tipo de instância** e um **script de inicialização**. Se não houver uma configuração padrão do ciclo de vida, o valor padrão do **script de inicialização** será `No script`. Caso contrário, o valor do **script de inicialização** é sua configuração de ciclo de vida padrão. Depois de selecionar uma configuração de ciclo de vida, será possível visualizar o script inteiro.
1. Clique em **Selecionar**.
1. De volta ao Inicializador, clique em **Criar caderno** para iniciar um novo kernel de caderno com a configuração de imagem e ciclo de vida selecionada.
## Etapa 4: visualizar logs de uma configuração de ciclo de vida
Você pode visualizar os logs da configuração do ciclo de vida depois que ela for anexada a um domínio ou perfil de usuário.
1. Primeiro, forneça acesso CloudWatch à sua função AWS Identity and Access Management (IAM). Adicione permissões de leitura para o grupo de log e fluxos de log a seguir.
+ **Grupo de logs:**`/aws/sagemaker/studio`
+ **Fluxo de logs:**`domain/user-profile/app-type/app-name/LifecycleConfigOnStart`
Para obter informações sobre como adicionar permissões, consulte [Habilitar o registro em determinados AWS serviços](https://docs.aws.amazon.com/AmazonCloudWatch/latest/logs/AWS-logs-and-resource-policy.html).
1. No Studio Classic, navegue até o ícone **Executar terminais e kernels** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png)) para monitorar sua configuração do ciclo de vida.
1. Selecione uma aplicação na lista de aplicações em execução. Aplicativos com configurações de ciclo de vida anexadas têm um ícone indicador anexado ![\[Code brackets symbol representing programming or markup languages.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/studio-lcc-indicator-icon.png).
1. Selecione o ícone indicador da sua aplicação. Isso abre um novo painel que lista a configuração do ciclo de vida.
1. No novo painel, selecione `View logs`. Isso abre uma nova guia que exibe os logs.
# Defina configurações de ciclo de vida padrão para o Amazon Studio Classic SageMaker
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Embora você possa anexar vários scripts de configuração de ciclo de vida a um único recurso, você só pode definir uma configuração de ciclo de vida padrão para cada aplicativo. JupyterServer KernelGateway O comportamento da configuração padrão do ciclo de vida depende se ela está definida para JupyterServer ou KernelGateway para aplicativos.
+ **JupyterServer aplicativos:** quando definido como o script de configuração de ciclo de vida padrão para JupyterServer aplicativos, o script de configuração do ciclo de vida é executado automaticamente quando o usuário entra no Studio Classic pela primeira vez ou reinicia o Studio Classic. Use essa configuração de ciclo de vida padrão para automatizar ações de configuração únicas para o ambiente de desenvolvedor do Studio Classic, como instalar extensões de notebook ou configurar um repositório. GitHub Para ver um exemplo disso, consulte [Personalizar o Amazon SageMaker Studio usando configurações de ciclo de vida](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/).
+ **KernelGateway aplicativos:** quando definida como o script de configuração de ciclo de vida padrão para KernelGateway aplicativos, a configuração do ciclo de vida é selecionada por padrão no inicializador do Studio Classic. Os usuários podem iniciar um caderno ou terminal com o script padrão selecionado, ou podem selecionar um diferente na lista de configurações de ciclo de vida.
SageMaker A IA suporta a definição de uma configuração de ciclo de vida padrão para os seguintes recursos:
+ Domínios
+ Perfis de usuário
+ Espaços compartilhados
Embora domínios e perfis de usuário suportem a definição de uma configuração de ciclo de vida padrão no console Amazon SageMaker AI e AWS Command Line Interface, os espaços compartilhados suportam apenas a definição de uma configuração de ciclo de vida padrão a partir do. AWS CLI
Você pode definir uma configuração de ciclo de vida como padrão ao criar um novo recurso ou atualizar um recurso existente. Os tópicos a seguir demonstram como definir uma configuração de ciclo de vida padrão usando o console de SageMaker IA e. AWS CLI
## Herança de configuração de ciclo de vida padrão
As configurações padrão do ciclo de vida definidas no nível do *domínio* são herdadas por todos os usuários e espaços compartilhados. As configurações padrão do ciclo de vida definidas no nível do *usuário* e do *espaço compartilhado* têm como escopo somente esse usuário ou espaço compartilhado. Os padrões de usuário e espaço substituem os padrões definidos no nível do domínio.
Um conjunto de configurações de KernelGateway ciclo de vida padrão para um domínio se aplica a todos os KernelGateway aplicativos lançados no domínio. A menos que o usuário selecione uma configuração de ciclo de vida diferente da lista apresentada no inicializador do Studio Classic, a configuração de ciclo de vida padrão será usada. O script padrão também é executado se `No Script` for selecionado pelo usuário. Para obter mais informações sobre a seleção de um script, consulte [Etapa 3: Iniciar uma aplicação com configuração de ciclo de vida](studio-lcc-create-console.md#studio-lcc-create-console-step3).
**Topics**
+ [Herança de configuração de ciclo de vida padrão](#studio-lcc-defaults-inheritance)
+ [Defina os padrões do para o AWS CLI Amazon Studio Classic SageMaker](studio-lcc-defaults-cli.md)
+ [Defina padrões do console SageMaker AI para o Amazon Studio Classic SageMaker](studio-lcc-defaults-console.md)
# Defina os padrões do para o AWS CLI Amazon Studio Classic SageMaker
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você pode definir scripts de configuração de ciclo de vida padrão a partir do AWS CLI para os seguintes recursos:
+ Domínios
+ Perfis de usuário
+ Espaços compartilhados
As seções a seguir descrevem como definir scripts de configuração de ciclo de vida padrão a partir do AWS CLI.
**Topics**
+ [Pré-requisitos](#studio-lcc-defaults-cli-prereq)
+ [Defina uma configuração de ciclo de vida padrão ao criar um novo recurso](#studio-lcc-defaults-cli-new)
+ [Definir uma configuração de ciclo de vida padrão para um recurso existente](#studio-lcc-defaults-cli-existing)
## Pré-requisitos
Antes de começar, conclua os seguintes pré-requisitos:
+ Atualize o AWS CLI seguindo as etapas em [Instalando a AWS CLI versão atual](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Em sua máquina local, execute `aws configure` e forneça suas credenciais da AWS . Para obter informações sobre AWS credenciais, consulte [Entendendo e obtendo suas AWS credenciais](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Integre-se ao domínio de SageMaker IA seguindo as etapas em[Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
+ Crie uma configuração de ciclo de vida seguindo as etapas em [Crie e associe uma configuração de ciclo de vida ao Amazon Studio Classic SageMaker](studio-lcc-create.md).
## Defina uma configuração de ciclo de vida padrão ao criar um novo recurso
Para definir uma configuração de ciclo de vida padrão ao criar um novo domínio, perfil de usuário ou espaço, transmita o ARN da configuração de ciclo de vida criada anteriormente como parte de um dos seguintes comandos: 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)
Você deve passar o ARN da configuração do ciclo de vida para os seguintes valores nas KernelGateway configurações padrão: JupyterServer
+ `DefaultResourceSpec`:`LifecycleConfigArn` - Isso especifica a configuração padrão do ciclo de vida para o tipo de aplicação.
+ `LifecycleConfigArns` - Essa é a lista de todas as configurações de ciclo de vida anexadas ao tipo de aplicação. A configuração padrão do ciclo de vida também deve fazer parte dessa lista.
Por exemplo, a chamada de API a seguir cria um novo perfil de usuário com uma configuração de ciclo de vida padrão.
```
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]
}
}'
```
## Definir uma configuração de ciclo de vida padrão para um recurso existente
Para definir ou atualizar a configuração padrão do ciclo de vida de um recurso existente, passe o ARN da configuração de ciclo de vida criada anteriormente como parte de um dos seguintes comandos: 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)
Você deve passar o ARN da configuração do ciclo de vida para os seguintes valores nas KernelGateway configurações padrão: JupyterServer
+ `DefaultResourceSpec`:`LifecycleConfigArn` - Isso especifica a configuração padrão do ciclo de vida para o tipo de aplicação.
+ `LifecycleConfigArns` - Essa é a lista de todas as configurações de ciclo de vida anexadas ao tipo de aplicação. A configuração padrão do ciclo de vida também deve fazer parte dessa lista.
Por exemplo, a chamada de API a seguir atualiza um perfil de usuário com uma configuração de ciclo de vida padrão.
```
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]
}
}'
```
A chamada de API a seguir atualiza um domínio para definir uma nova configuração de ciclo de vida padrão.
```
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]
}
}'
```
# Defina padrões do console SageMaker AI para o Amazon Studio Classic SageMaker
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você pode definir scripts de configuração de ciclo de vida padrão no console de SageMaker IA para os seguintes recursos.
+ Domínios
+ Perfis de usuário
Você não pode definir scripts de configuração de ciclo de vida padrão para espaços compartilhados no console de SageMaker IA. Para obter informações sobre como definir padrões para espaços compartilhados, consulte [Defina os padrões do para o AWS CLI Amazon Studio Classic SageMaker](studio-lcc-defaults-cli.md).
As seções a seguir descrevem como definir scripts de configuração de ciclo de vida padrão no SageMaker console de IA.
**Topics**
+ [Pré-requisitos](#studio-lcc-defaults-cli-prerequisites)
+ [Definir uma configuração de ciclo de vida padrão para um domínio](#studio-lcc-defaults-cli-domain)
+ [Definir uma configuração de ciclo de vida padrão para um perfil do usuário](#studio-lcc-defaults-cli-user-profile)
## Pré-requisitos
Antes de começar, conclua os seguintes pré-requisitos:
+ Integre-se ao domínio de SageMaker IA seguindo as etapas em[Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
+ Crie uma configuração de ciclo de vida seguindo as etapas em [Crie e associe uma configuração de ciclo de vida ao Amazon Studio Classic SageMaker](studio-lcc-create.md).
## Definir uma configuração de ciclo de vida padrão para um domínio
O procedimento a seguir mostra como definir uma configuração de ciclo de vida padrão para um domínio a partir do console de SageMaker IA.
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Na lista de domínios, selecione o nome do domínio para o qual definir a configuração de ciclo de vida padrão.
1. Na página **Detalhes do domínio**, escolha a guia de **Ambiente**.
1. Em **Configurações de ciclo de vida para aplicações pessoais do Studio**, selecione a configuração de ciclo de vida que você deseja definir como padrão para o domínio. Você pode definir padrões distintos para aplicativos JupyterServer e KernelGateway aplicativos.
1. Escolha **Definir como padrão**. Isso abre uma janela pop-up que lista os padrões atuais JupyterServer e KernelGateway os aplicativos.
1. Escolha **Definir como padrão** para definir a configuração do ciclo de vida como padrão para seu respectivo tipo de aplicação.
## Definir uma configuração de ciclo de vida padrão para um perfil do usuário
O procedimento a seguir mostra como definir uma configuração de ciclo de vida padrão para um perfil de usuário no console de SageMaker IA.
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Na lista de domínios, selecione o nome do domínio que contém o perfil de usuário para o qual você deseja definir a configuração padrão do ciclo de vida.
1. Da página **Detalhes do Domínio**, escolha a guia **Perfis de usuário**.
1. Selecione o nome do perfil do usuário para o qual definir a configuração padrão do ciclo de vida. Isso abre uma página de **Detalhes do usuário**.
1. Na página **Detalhes do usuário**, escolha **Editar**. Isso abre uma página **Editar perfil de usuário**.
1. Na página **Editar perfil de usuário**, escolha **Etapa 2 Configurações do Studio**.
1. Em **Configurações de ciclo de vida anexadas ao usuário**, selecione a configuração de ciclo de vida que você deseja definir como padrão para o perfil do usuário. Você pode definir padrões distintos para aplicativos JupyterServer e KernelGateway aplicativos.
1. Escolha **Definir como padrão**. Isso abre uma janela pop-up que lista os padrões atuais JupyterServer e KernelGateway os aplicativos.
1. Escolha **Definir como padrão** para definir a configuração do ciclo de vida como padrão para seu respectivo tipo de aplicação.
# Depurar configurações de ciclo de vida no Amazon Studio Classic SageMaker
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Os tópicos a seguir mostram como obter informações e depurar as configurações de ciclo de vida.
**Topics**
+ [Verifique o processo de configuração do ciclo de vida a partir do Logs CloudWatch](#studio-lcc-debug-logs)
+ [JupyterServer falha no aplicativo](#studio-lcc-debug-jupyterserver)
+ [KernelGateway falha no aplicativo](#studio-lcc-debug-kernel)
+ [Tempo limite de configuração do ciclo de vida](#studio-lcc-debug-timeout)
## Verifique o processo de configuração do ciclo de vida a partir do Logs CloudWatch
Somente as configurações de ciclo de vida registram `STDOUT` e `STDERR`.
`STDOUT` é a saída padrão para scripts bash. Você pode escrever em `STDERR` anexando `>&2` ao final de um comando bash. Por exemplo, .`echo 'hello'>&2`
Os registros de suas configurações de ciclo de vida são publicados para você usando Conta da AWS a Amazon. CloudWatch Esses registros podem ser encontrados no fluxo de `/aws/sagemaker/studio` registros no CloudWatch console.
1. Abra o CloudWatch console em [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Escolha **Registros em log** no lado esquerdo. No menu suspenso, selecione **Grupo de logs**.
1. Na página **Grupos de logs**, pesquise por `aws/sagemaker/studio`.
1. Selecione o grupo de logs .
1. Na página **Detalhes do grupo de logs**, escolha a guia **Fluxo de logs**.
1. Para encontrar os logs de uma aplicação específica, pesquise os fluxos de logs usando o seguinte formato:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Por exemplo, para encontrar os logs de configuração de ciclo de vida para domínio `d-m85lcu8vbqmz`, o nome de espaço `i-sonic-js` e o tipo de aplicação `JupyterLab`, use a seguinte string de pesquisa:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
## JupyterServer falha no aplicativo
Se seu JupyterServer aplicativo falhar devido a um problema com a configuração do ciclo de vida anexada, o Studio Classic exibirá a seguinte mensagem de erro na tela de inicialização do Studio Classic.
```
Failed to create SageMaker Studio due to start-up script failure
```
Selecione o `View script logs` link para ver os CloudWatch registros do seu JupyterServer aplicativo.
Caso a configuração do ciclo de vida com defeito seja especificada no `DefaultResourceSpec` do seu domínio, perfil do usuário ou espaço compartilhado, o Studio continua usando a configuração do ciclo de vida mesmo depois de reiniciar o Studio Classic.
Para resolver esse erro, siga as etapas em [Defina configurações de ciclo de vida padrão para o Amazon Studio Classic SageMaker](studio-lcc-defaults.md) para remover o script de configuração do ciclo de vida do `DefaultResourceSpec` ou selecionar outro script como padrão. Em seguida, inicie um novo JupyterServer aplicativo.
## KernelGateway falha no aplicativo
Se seu KernelGateway aplicativo falhar devido a um problema com a configuração do ciclo de vida anexada, o Studio Classic exibirá a mensagem de erro em seu notebook Studio Classic.
Escolha `View script logs` ver os CloudWatch registros do seu KernelGateway aplicativo.
Nesse caso, sua configuração do ciclo de vida é especificada no Inicializador do Studio Classic ao iniciar um novo Caderno do Studio Classic.
Para resolver esse erro, use o inicializador do Studio Classic para selecionar uma configuração de ciclo de vida diferente ou selecionar `No script`.
**nota**
Uma configuração de KernelGateway ciclo de vida padrão especificada em `DefaultResourceSpec` se aplica a todas as KernelGateway imagens no domínio, perfil de usuário ou espaço compartilhado, a menos que o usuário selecione um script diferente da lista apresentada no inicializador do Studio Classic. O script padrão também é executado se `No Script` for selecionado pelo usuário. Para obter mais informações sobre a seleção de um script, consulte [Etapa 3: Iniciar uma aplicação com configuração de ciclo de vida](studio-lcc-create-console.md#studio-lcc-create-console-step3).
## Tempo limite de configuração do ciclo de vida
Há um limite de tempo limite de configuração do ciclo de vida de 5 minutos. Se um script de configuração do ciclo de vida demorar mais de 5 minutos para ser executado, o Studio Classic gerará um erro.
Para resolver esse erro, certifique-se de que seu script de configuração do ciclo de vida seja concluído em menos de 5 minutos.
Para ajudar a diminuir o tempo de execução de scripts, tente o seguinte:
+ Reduza as etapas necessárias. Por exemplo, limite os ambientes conda nos quais instalar pacotes grandes.
+ Execute tarefas em processos paralelos.
+ Use o comando `nohup` em seu script para garantir que os sinais de desligamento sejam ignorados e não interrompam a execução do script.
# Atualize e separe configurações de ciclo de vida no Amazon Studio Classic SageMaker
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Não é possível alterar um script de configuração de ciclo de vida depois de criado. Para atualizar seu script, você deve criar um novo script de configuração do ciclo de vida e anexá-lo ao respectivo domínio, perfil de usuário ou espaço compartilhado. Para obter mais informações sobre criar e gerenciar a configuração de ciclo de vida, consulte [Crie e associe uma configuração de ciclo de vida ao Amazon Studio Classic SageMaker](studio-lcc-create.md).
O tópico a seguir mostra como separar uma configuração de ciclo de vida usando o console AWS CLI e SageMaker o AI.
**Topics**
+ [Pré-requisitos](#studio-lcc-delete-pre)
+ [Desconecte usando o AWS CLI](#studio-lcc-delete-cli)
## Pré-requisitos
Antes de desanexar uma configuração de ciclo de vida, você deve preencher o pré-requisito a seguir.
+ Para separar com sucesso uma configuração de ciclo de vida, nenhuma aplicação em execução pode estar usando a configuração de ciclo de vida. Você deve primeiro encerrar as aplicações em execução, conforme mostrado em [Desligue e atualize o Amazon SageMaker Studio Classic e os aplicativos](studio-tasks-update.md).
## Desconecte usando o AWS CLI
Para separar uma configuração de ciclo de vida usando o AWS CLI, remova a configuração de ciclo de vida desejada da lista de configurações de ciclo de vida anexada ao recurso e passe a lista como parte do respectivo 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)
Por exemplo, o comando a seguir remove todas as configurações de ciclo de vida KernelGateways anexadas ao domínio.
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"KernelGatewayAppSettings": {
"LifecycleConfigArns":
[]
}
}'
```
# Anexe repositórios Git sugeridos ao Amazon Studio Classic SageMaker
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O Amazon SageMaker Studio Classic oferece uma extensão Git para você inserir a URL de um repositório Git (repo), cloná-lo em seu ambiente, enviar alterações e visualizar o histórico de commits. Além dessa extensão do Git, você também pode anexar um repositório Git sugerido no domínio do SageMaker Amazon AI ou URLs no nível do perfil do usuário. Em seguida, você pode selecionar o URL do repositório na lista de sugestões e cloná-lo em seu ambiente usando a extensão Git no Studio.
Os tópicos a seguir mostram como anexar o repositório Git URLs a um domínio ou perfil de usuário a partir do console AWS CLI e SageMaker do AI. Você também aprenderá como desanexar esses repositórios URLs.
**Topics**
+ [Anexe um repositório Git do para AWS CLI Amazon Studio Classic SageMaker](studio-git-attach-cli.md)
+ [Anexe um repositório Git do console SageMaker AI para o Amazon Studio Classic SageMaker](studio-git-attach-console.md)
+ [Separe os repositórios Git do SageMaker Amazon Studio Classic](studio-git-detach.md)
# Anexe um repositório Git do para AWS CLI Amazon Studio Classic SageMaker
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O tópico a seguir mostra como anexar uma URL do repositório Git usando o AWS CLI, para que o Amazon SageMaker Studio Classic a sugira automaticamente para clonagem. Depois de anexar a URL do repositório Git, você pode cloná-la seguindo as etapas em [Clone um repositório Git no SageMaker Amazon Studio Classic](studio-tasks-git.md).
## Pré-requisitos
Antes de começar, conclua os seguintes pré-requisitos:
+ Atualize o AWS CLI seguindo as etapas em [Instalando a versão atual da AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Em sua máquina local, execute `aws configure` e forneça suas credenciais da AWS . Para obter informações sobre AWS credenciais, consulte [Entendendo e obtendo suas AWS credenciais](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Integre-se ao domínio Amazon SageMaker AI. Para obter mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
## Anexar o repositório Git a um domínio ou perfil de usuário
O repositório Git URLs associado no nível do domínio é herdado por todos os usuários. No entanto, os URLs repositórios Git associados no nível do perfil do usuário têm como escopo um usuário específico. Você pode anexar vários repositórios Git URLs a um domínio ou perfil de usuário passando uma lista de repositórios. URLs
As seções a seguir mostram como anexar uma URL do repositório Git ao seu domínio e perfil de usuário.
### Anexar a um domínio
O comando a seguir anexa uma URL do repositório Git a um domínio existente.
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
### Anexar ao uma perfil de usuário
Veja a seguir como anexar uma URL do repositório Git a um perfil de usuário existente.
```
aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\
--user-settings JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
# Anexe um repositório Git do console SageMaker AI para o Amazon Studio Classic SageMaker
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O tópico a seguir mostra como associar uma URL do repositório Git do console Amazon SageMaker AI para cloná-la em seu ambiente Studio Classic. Depois de associar a URL do repositório Git, você pode cloná-la seguindo as etapas em [Clone um repositório Git no SageMaker Amazon Studio Classic](studio-tasks-git.md).
## Pré-requisitos
Antes de começar este tutorial, você deve se integrar ao domínio Amazon SageMaker AI. Para obter mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
## Anexar o repositório Git a um domínio ou perfil de usuário
O repositório Git URLs associado no nível do domínio é herdado por todos os usuários. No entanto, a URL do repositório Git associadas no nível do perfil do usuário têm como escopo um usuário específico.
As seções a seguir mostram como anexar uma URL do repositório Git a um domínio e perfil de usuário.
### Anexar a um domínio
**Para anexar uma URL do repositório Git a um domínio existente**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Selecione o domínio ao qual anexar o repositório Git.
1. Na página de **Detalhes do domínio**, escolha a guia **Ambiente**.
1. Na guia **Repositórios de código sugeridos para o domínio**, escolha **Anexar**.
1. Em **Fonte**, insira a URL do repositório Git.
1. Selecione **Anexar a domínio**.
### Anexar ao uma perfil de usuário
Veja a seguir como anexar uma URL do repositório Git a um perfil de usuário existente.
**Para anexar a URL do repositório Git a um perfil de usuário**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Selecione o domínio que inclui o perfil do usuário ao qual anexar o repositório Git.
1. Na página **Detalhes do Domínio**, escolha a aba **Perfis de usuário**.
1. Selecione o perfil do usuário ao qual anexar a URL do repositório Git.
1. Na página **Detalhes do usuário**, selecione **Editar**.
1. Na página de **configurações do Studio**, escolha **Anexar** na seção **Repositórios de código sugeridos para o usuário**.
1. Em **Fonte**, insira a URL do repositório Git.
1. Escolha **Anexar ao usuário**.
# Separe os repositórios Git do SageMaker Amazon Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Este guia mostra como separar o URLs repositório Git de um domínio ou perfil de usuário do SageMaker Amazon AI usando o AWS CLI console do Amazon SageMaker AI.
**Topics**
+ [Separe um repositório Git usando o AWS CLI](#studio-git-detach-cli)
+ [Separe o repositório Git usando o console AI SageMaker](#studio-git-detach-console)
## Separe um repositório Git usando o AWS CLI
Para separar todo o URLs repositório Git de um domínio ou perfil de usuário, você deve passar uma lista vazia de repositórios de código. Essa lista é passada como parte do parâmetro `JupyterServerAppSettings` em um comando `update-domain` ou `update-user-profile`. Para desassociar somente uma URL do repositório Git, passe a lista de repositórios de código sem a URL desejada do repositório Git. Esta seção mostra como desanexar todo o URLs repositório Git do seu domínio ou perfil de usuário usando o AWS Command Line Interface ().AWS CLI
### Desanexar de um domínio
O comando a seguir separa todo o URLs repositório Git de um domínio.
```
aws sagemaker update-domain --region region --domain-name domain-name \
--domain-settings JupyterServerAppSettings={CodeRepositories=[]}
```
### Desanexar de um perfil de usuário
O comando a seguir separa todo o URLs repositório Git de um perfil de usuário.
```
aws sagemaker update-user-profile --domain-name domain-name --user-profile-name user-name\
--user-settings JupyterServerAppSettings={CodeRepositories=[]}
```
## Separe o repositório Git usando o console AI SageMaker
As seções a seguir mostram como separar uma URL do repositório Git de um domínio ou perfil de usuário usando SageMaker o console de IA.
### Desanexar de um domínio
Use as etapas a seguir para desassociar uma URL de repositório do Git de um domínio existente.
**Para desassociar um URL do repositório Git de um domínio existente**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Selecione o domínio com o URL do repositório Git que você deseja desassociar.
1. Na página de **Detalhes do domínio**, escolha a guia **Ambiente**.
1. Na guia **Repositórios de código sugeridos para o domínio**, selecione a URL do repositório Git para desassociar.
1. Escolha **Desassociar**.
1. Da nova janela, escolha **Desassociar**.
### Desassociar de um perfil de usuário
Use as etapas a seguir para desassociar uma URL de repositório do Git de um perfil de usuário.
**Para desassociar uma URL do repositório Git de um perfil de usuário**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Selecione o domínio que inclua o Perfil do usuário do URL do repositório Git que você deseja desassociar.
1. Na página **Detalhes do Domínio**, escolha a aba **Perfis de usuário**.
1. Selecione o perfil do usuário do URL do repositório Git que você deseja desassociar.
1. Na página **Detalhes do usuário**, selecione **Editar**.
1. Na página de **Configurações do Studio**, selecione a URL do repositório Git a ser desanexada da guia **Repositórios de código sugeridos** para o usuário.
1. Escolha **Desassociar**.
1. Da nova janela, escolha **Desassociar**.
# Execute tarefas comuns no Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
As seções a seguir descrevem como realizar tarefas comuns no Amazon SageMaker Studio Classic. Para obter uma visão geral da interface do Studio Classic, consulte [Visão geral da interface do usuário do Amazon SageMaker Studio Classic](studio-ui.md).
**Topics**
+ [Carregar arquivos para o Amazon SageMaker Studio Classic](studio-tasks-files.md)
+ [Clone um repositório Git no SageMaker Amazon Studio Classic](studio-tasks-git.md)
+ [Pare um Training Job no Amazon SageMaker Studio Classic](studio-tasks-stop-training-job.md)
+ [Use TensorBoard no Amazon SageMaker Studio Classic](studio-tensorboard.md)
+ [Use o Amazon Q Developer com o Amazon SageMaker Studio Classic](sm-q.md)
+ [Gerencie seu volume de armazenamento do Amazon EFS no Amazon SageMaker Studio Classic](studio-tasks-manage-storage.md)
+ [Forneça feedback sobre o Amazon SageMaker Studio Classic](studio-tasks-provide-feedback.md)
+ [Desligue e atualize o Amazon SageMaker Studio Classic e os aplicativos](studio-tasks-update.md)
# Carregar arquivos para o Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Quando você se integra ao Amazon SageMaker Studio Classic, um diretório inicial é criado para você no volume do Amazon Elastic File System (Amazon EFS) que foi criado para sua equipe. O Studio Classic só pode abrir arquivos que foram enviados para o seu diretório. O navegador de arquivos Studio Classic é mapeado para seu diretório inicial.
**nota**
O Studio Classic não é compatível com o upload de pastas. Embora você só possa fazer upload de arquivos individuais, você pode carregar vários arquivos ao mesmo tempo.
**Para fazer o upload de arquivos para o diretório inicial**
1. Na barra lateral à esquerda, escolha o ícone **Navegador de arquivos** ( ![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder.png)).
1. No navegador de arquivos, escolha o ícone **Fazer upload de arquivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/File_upload_squid.png)).
1. Selecione os arquivos que você quer fazer upload e escolha **Abrir**.
1. Clique duas vezes em um arquivo para abri-lo em uma nova guia no Studio Classic.
# Clone um repositório Git no SageMaker Amazon Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O Amazon SageMaker Studio Classic só pode se conectar a um repositório Git local (repo). Isso significa que você deve clonar o repositório Git de dentro do Studio Classic para acessar os arquivos no repositório. O Studio Classic oferece uma extensão do Git para você inserir a URL de um repositório Git, cloná-lo em seu ambiente, enviar alterações e visualizar o histórico de confirmações. Se o repositório for privado e requer credenciais para ser acessado, você será solicitado a inserir suas credenciais do usuário. Isso inclui seu nome de usuário e o token de acesso pessoal. Para obter mais informações sobre token de acesso pessoal, consulte [Gerenciar seus tokens de acesso pessoal](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
Os administradores também podem anexar um repositório Git sugerido no domínio SageMaker Amazon AI URLs ou no nível do perfil do usuário. Os usuários podem então selecionar o URL do repositório na lista de sugestões e cloná-lo no Studio Classic. Para obter mais informações sobre como anexar repositórios sugeridos, consulte [Anexe repositórios Git sugeridos ao Amazon Studio Classic SageMaker](studio-git-attach.md).
O procedimento a seguir mostra como clonar um GitHub repositório do Studio Classic.
**Para clonar o repositório**
1. Na barra lateral à esquerda, escolha o ícone **Git** ( ![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/git.png)).
1. Escolha **Clonar um repositório**. Essa ação abre uma nova janela.
1. Na janela **Clonar repositório Git**, insira a URL no seguinte formato para o repositório Git que você deseja clonar ou selecione um repositório na lista de **Repositórios sugeridos**:
```
https://github.com/path-to-git-repo/repo.git
```
1. Se você inseriu a URL do repositório Git manualmente, selecione **Clonar "*git-url*" no menu** suspenso.
1. Em **Diretório do projeto para clonar**, insira o caminho para o diretório local no qual você deseja clonar o repositório Git. Se esse valor for deixado em branco, o Studio Classic clona o repositório no diretório JupyterLab raiz.
1. Escolha **Clonar**. Isso abre uma nova janela do terminal.
1. Se o repositório requer credenciais, você será solicitado que insira seu nome de usuário e token de acesso pessoal. Esse prompt não aceita senhas, você deve usar um token de acesso pessoal. Para obter mais informações sobre token de acesso pessoal, consulte [Gerenciar seus tokens de acesso pessoal](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
1. Aguarde o término do download. Depois que o repositório for clonado, o **Navegador de arquivos** é aberto para exibir o repositório clonado.
1. Clique duas vezes no repositório para abri-lo.
1. Escolha o ícone do **Git** para ver a interface de usuário do Git, que agora rastreia o repositório.
1. Para rastrear um repositório diferente, abra o repositório no navegador de arquivos e escolha o ícone do **Git**.
# Pare um Training Job no Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você pode interromper um trabalho de treinamento com a interface do usuário do Amazon SageMaker Studio Classic. Quando você interrompe um trabalho de treinamento, o status muda para `Stopping`, no qual o tempo de cobrança cessa. Um algoritmo pode atrasar o término para salvar artefatos do modelo e, depois disso, o status do trabalho mudará para `Stopped`. Para obter mais informações, consulte o método [stop\$1training\$1job](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.stop_training_job) no AWS SDK para Python (Boto3).
**Como interromper um trabalho de treinamento**
1. Siga o procedimento [Visualizar experimentos e execuções](experiments-view-compare.md) nesta página até que a guia **Descrever componentes de teste** seja aberta.
1. No lado superior direito da guia, escolha **Interromper trabalho de treinamento**. O **Status** no canto superior esquerdo da guia será alterado para **Parado**.
1. Para visualizar o tempo de treinamento e o tempo de faturamento, escolha **Configurações da AWS **.
# Use TensorBoard no Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O documento a seguir descreve como instalar e executar TensorBoard no Amazon SageMaker Studio Classic.
**nota**
Este guia mostra como abrir o TensorBoard aplicativo por meio de um servidor de notebook SageMaker Studio Classic de um perfil de usuário de domínio de SageMaker IA individual. Para uma TensorBoard experiência mais abrangente integrada ao SageMaker treinamento e às funcionalidades de controle de acesso do domínio de SageMaker IA, consulte[TensorBoard na Amazon SageMaker AI](tensorboard-on-sagemaker.md).
## Pré-requisitos
Este tutorial exige um domínio de SageMaker IA. Para obter mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
## Configurar o `TensorBoardCallback`
1. Execute o Studio Classic e abra o Inicializador. Para obter mais informações, consulte [Use o Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. No Amazon SageMaker Studio Classic Launcher, em`Notebooks and compute resources`, escolha o botão **Alterar ambiente**.
1. Na caixa de diálogo **Alterar ambiente**, use as listas suspensas para selecionar a **imagem** do `TensorFlow 2.6 Python 3.8 CPU Optimized` Studio Classic.
1. De volta ao Inicializador, clique no quadro **Criar caderno**. Seu caderno é iniciado e aberto em uma nova aba Studio.
1. Execute esse código de dentro das células do seu caderno.
1. Importe os pacotes necessários.
```
import os
import datetime
import tensorflow as tf
```
1. Crie um modelo 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. Crie um diretório para seus TensorBoard registros
```
LOG_DIR = os.path.join(os.getcwd(), "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
```
1. Execute o treinamento com 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. Gere o caminho do EFS para os TensorBoard registros. Você usa esse caminho para configurar seus logs a partir do terminal.
```
EFS_PATH_LOG_DIR = "/".join(LOG_DIR.strip("/").split('/')[1:-1])
print (EFS_PATH_LOG_DIR)
```
Recupere o `EFS_PATH_LOG_DIR`. Você precisará dele na seção TensorBoard de instalação.
## Instalar TensorBoard
1. Clique no `Amazon SageMaker Studio Classic` botão no canto superior esquerdo do Studio Classic para abrir o Amazon SageMaker Studio Classic Launcher. Esse Inicializador deve ser aberto a partir do seu diretório raiz. Para obter mais informações, consulte [Use o Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. No Inicializador, em `Utilities and files`, clique em `System terminal`.
1. No terminal, execute os comandos a seguir. Copie `EFS_PATH_LOG_DIR` do caderno Jupyter. Você pode fazer isso executando o diretório raiz `/home/sagemaker-user`.
```
pip install tensorboard
tensorboard --logdir
```
## Lançamento TensorBoard
1. Para iniciar TensorBoard, copie seu URL do Studio Classic e `lab?` substitua-o pelo `proxy/6006/` seguinte. É necessário incluir o caractere antecedente `/`.
```
https://.studio.region.sagemaker.aws/jupyter/default/proxy/6006/
```
1. Navegue até o URL para examinar seus resultados.
# Use o Amazon Q Developer com o Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
O Amazon SageMaker Studio Classic é um ambiente de aprendizado de máquina integrado no qual você pode criar, treinar, implantar e analisar seus modelos, tudo no mesmo aplicativo. Você pode gerar recomendações de código e sugerir melhorias relacionadas a problemas de código usando o Amazon Q Developer com o Amazon SageMaker AI.
O Amazon Q Developer é um assistente de conversação com inteligência artificial generativa (IA) que pode ajudar você a entender, criar, ampliar e operar AWS aplicativos. No contexto de um ambiente de AWS codificação integrado, o Amazon Q pode gerar recomendações de código com base no código dos desenvolvedores, bem como em seus comentários em linguagem natural.
O Amazon Q tem o maior suporte para Java, Python,,, C\$1 JavaScript, Go TypeScript, PHP, Rust, Kotlin e SQL, bem como as linguagens de infraestrutura como código (IaC) JSON (), YAML (), HCL (Terraform CloudFormation) e CDK (CloudFormation Typescript, Python). Ele também é compatível com geração de código para Ruby, C\$1\$1, C, Shell e Scala. Para exemplos de como o Amazon Q se integra com o Amazon SageMaker AI e exibe sugestões de código no Amazon SageMaker Studio Classic IDE, consulte [Exemplos de código](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/inline-suggestions-code-examples.html) no *Guia do usuário do desenvolvedor do Amazon Q.*
Para obter mais informações sobre como usar o Amazon Q com o Amazon SageMaker Studio Classic, consulte o [Amazon Q Developer User Guide](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/sagemaker-setup.html).
# Gerencie seu volume de armazenamento do Amazon EFS no Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Na primeira vez que um usuário da sua equipe se integra ao Amazon SageMaker Studio Classic, o Amazon SageMaker AI cria um volume do Amazon Elastic File System (Amazon EFS) para a equipe. Um diretório inicial é criado no volume para cada usuário que se integra ao Studio Classic como parte de sua equipe. Os arquivos de cadernos e de dados são armazenados nesses diretórios. Os usuários não têm acesso aos diretórios de base de outros membros da equipe. O domínio Amazon SageMaker AI não suporta a montagem de volumes personalizados ou adicionais do Amazon EFS.
**Importante**
Não exclua o volume do Amazon EFS. Se você excluí-lo, o domínio não funcionará mais, e todos os usuários perderão seus trabalhos.
**Para encontrar seu volume do Amazon EFS**
1. Abra o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na página **Domínios**, selecione o domínio para o qual encontrar o ID.
1. Na página de **detalhes do domínio**, selecione a guia **Configurações do domínio**.
1. Em **Configurações gerais**, encontre o **ID do domínio**. O ID estará no seguinte formato: `d-xxxxxxxxxxxx`.
1. Passe o `Domain ID`, os `DomainId`, para o método [describe\$1domain](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.describe_domain).
1. Na resposta do `describe_domain`, anote o valor para a chave `HomeEfsFileSystemId`. Este é o ID do sistema de arquivos do Amazon EFS.
1. Abra o [Console do Amazon EFS ](https://console.aws.amazon.com/efs#/file-systems/). Certifique-se de que a AWS região seja a mesma usada pelo Studio Classic.
1. Em **Sistemas de arquivos**, escolha o ID do sistema de arquivos da etapa anterior.
1. Para verificar se você escolheu o sistema de arquivos correto, selecione o cabeçalho **Tags**. O valor correspondente à chave `ManagedByAmazonSageMakerResource` deve corresponder ao `Studio Classic ID`.
Para obter informações sobre como acessar o volume do Amazon EFS, consulte [Uso de sistemas de arquivos no Amazon EFS](https://docs.aws.amazon.com/efs/latest/ug/using-fs.html).
Para excluir o volume do Amazon EFS, consulte [Excluir um sistema de arquivos do Amazon EFS](https://docs.aws.amazon.com/efs/latest/ug/delete-efs-fs.html).
# Forneça feedback sobre o Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
A Amazon SageMaker AI leva seus comentários a sério. Recomendamos que você envie seu feedback.
**Como fornecer feedback**
1. À direita do SageMaker Studio Classic, encontre o ícone **Feedback** (![\[Speech bubble icon representing messaging or communication functionality.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/feedback.png)).
1. Escolha um emoji sorridente para nos dizer o quanto você está satisfeito com o SageMaker Studio Classic e adicione qualquer feedback que queira compartilhar conosco.
1. Decida se deseja compartilhar sua identidade conosco e escolha **Enviar**.
# Desligue e atualize o Amazon SageMaker Studio Classic e os aplicativos
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Os tópicos a seguir mostram como desligar e atualizar os aplicativos SageMaker Studio Classic e Studio Classic.
O Studio Classic fornece um ícone de notificação (![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/Notification.png)) no canto superior direito da interface do Studio. Esse ícone de notificação exibe o número de avisos não lidos. Para ler os avisos, selecione o ícone.
O Studio Classic fornece dois tipos de notificações:
+ Atualização: Exibida quando o Studio Classic ou um das aplicações do Studio Classic lançam uma nova versão. Para atualizar o Studio Classic, consulte [Desligue e atualize o Amazon SageMaker Studio Classic](studio-tasks-update-studio.md). Para atualizar as aplicações do Studio Classic, consulte[Encerre e atualize os aplicativos do Amazon SageMaker Studio Classic](studio-tasks-update-apps.md).
+ Informações: Exibidas para novos atributos e outras informações.
Para redefinir o ícone de notificação, você deve selecionar o link em cada aviso. As notificações de leitura ainda podem ser exibidas no ícone. Isso não indica que as atualizações ainda sejam necessárias após a atualização do Studio e do Studio Classic Apps.
Para saber como atualizar o [Amazon SageMaker Data Wrangler, consulte](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html). [Encerre e atualize os aplicativos do Amazon SageMaker Studio Classic](studio-tasks-update-apps.md)
Para garantir que você tenha as atualizações de software mais recentes, atualize o Amazon SageMaker Studio Classic e seus aplicativos Studio Classic usando os métodos descritos nos tópicos a seguir.
**Topics**
+ [Desligue e atualize o Amazon SageMaker Studio Classic](studio-tasks-update-studio.md)
+ [Encerre e atualize os aplicativos do Amazon SageMaker Studio Classic](studio-tasks-update-apps.md)
# Desligue e atualize o Amazon SageMaker Studio Classic
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Para atualizar o Amazon SageMaker Studio Classic para a versão mais recente, você deve desligar o JupyterServer aplicativo. Você pode desligar o JupyterServer aplicativo no console de SageMaker IA, no Amazon SageMaker Studio ou no Studio Classic. Depois que o JupyterServer aplicativo for encerrado, você deverá reabrir o Studio Classic por meio do console de SageMaker IA ou do Studio, que cria uma nova versão do JupyterServer aplicativo.
Você não pode excluir o JupyterServer aplicativo enquanto a interface do Studio Classic ainda estiver aberta no navegador. Se você excluir o JupyterServer aplicativo enquanto a interface do Studio Classic ainda estiver aberta no navegador, a SageMaker IA recriará automaticamente o JupyterServer aplicativo.
Todas as informações do caderno não salvas são perdidas no processo. Os dados do usuário no volume do Amazon EFS não são afetados.
Alguns dos serviços do Studio Classic, como o Data Wrangler, são executados em sua própria aplicação. Para atualizar esses serviços, você deve excluir a aplicação desse serviço. Para saber mais, consulte [Encerre e atualize os aplicativos do Amazon SageMaker Studio Classic](studio-tasks-update-apps.md).
**nota**
Um JupyterServer aplicativo está associado a um único usuário do Studio Classic. Quando você atualiza a aplicação para um usuário, isso não afeta outros usuários.
A página a seguir mostra como atualizar o JupyterServer aplicativo a partir do console de SageMaker IA, do Studio ou de dentro do Studio Classic.
## Desligue e atualize a partir do console de SageMaker IA
1. Acesse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Selecione o domínio que inclui a aplicação Studio Classic que você deseja atualizar.
1. Em **Perfis de usuário**, selecione seu nome de usuário.
1. Em **Aplicativos**, na linha exibida **JupyterServer**, escolha **Ação** e, em seguida, escolha **Excluir**.
1. Escolha **Sim, excluir aplicação**.
1. Digite **delete** na caixa de confirmação.
1. Escolha **Excluir**.
1. Depois que a aplicação for excluído, inicie um nova aplicação Studio Classic para obter a versão mais recente.
## Encerrar e atualizar o Studio
1. Navegue até o Studio seguindo as etapas em[Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Na interface do usuário do Studio, encontre o painel de aplicações no lado esquerdo.
1. No painel de aplicações, selecione **Studio Classic**.
1. Na página inicial do Studio Classic, selecione a instância do Studio Classic a ser interrompida.
1. Escolha **Parar**.
1. Depois que a aplicação for interrompido, selecione **Executar** para usar a versão mais recente.
## Encerrar e atualizar de dentro do Studio Classic
1. Execute o Studio Classic.
1. No menu superior, escolha **Arquivo** e **Encerrar**.
1. Escolha uma das seguintes opções:
+ **Desligar servidor** — Encerra o JupyterServer aplicativo. Sessões de terminal, sessões de kernel, SageMaker imagens e instâncias não são encerradas. Esses recursos continuam acumulando cobranças.
+ **Desligar tudo** — Encerra todos os aplicativos, sessões de terminal, sessões de kernel, SageMaker imagens e instâncias. Esses recursos não acumulam mais cobranças.
1. Fechar a janela.
1. Depois que a aplicação for excluído, inicie um nova aplicação Studio Classic para usar a versão mais recente.
# Encerre e atualize os aplicativos do Amazon SageMaker Studio Classic
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Para atualizar um aplicativo Amazon SageMaker Studio Classic para a versão mais recente, você deve primeiro desligar o KernelGateway aplicativo correspondente do console de SageMaker IA. Depois que o KernelGateway aplicativo for encerrado, você deverá reabri-lo por meio do SageMaker Studio Classic executando um novo kernel. O kernel é atualizado automaticamente. Todas as informações do caderno não salvas são perdidas no processo. Os dados do usuário no volume do Amazon EFS não são afetados.
Depois que um aplicativo é encerrado por 24 horas, a SageMaker IA exclui todos os metadados do aplicativo. Para serem considerados uma atualização e reterem os metadados da aplicação, elas devem ser reiniciadas dentro de 24 horas após o encerramento da aplicação anterior. Após essa janela de tempo, a criação de uma aplicação é considerada um nova aplicação em vez de uma atualização da aplicação anterior.
**nota**
Um KernelGateway aplicativo está associado a um único usuário do Studio Classic. Quando você atualiza a aplicação para um usuário, isso não tem efeito em outros usuários.
**Para atualizar o KernelGateway aplicativo**
1. Acesse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Selecione o domínio que inclui a aplicação que você deseja atualizar.
1. Em **Perfis de usuário**, selecione seu nome de usuário.
1. Em **Aplicações**, na linha que exibe o **Nome da aplicação**, escolha **Ação** e **Excluir**
Para atualizar o Data Wrangler, exclua o aplicativo que começa com. **sagemaker-data-wrang**
1. Escolha **Sim, excluir aplicação**.
1. Digite **delete** na caixa de confirmação.
1. Escolha **Excluir**.
1. Depois que a aplicação for excluído, inicie um novo kernel no Studio Classic para usar a versão mais recente.
# Preços do Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Quando o primeiro membro da sua equipe se integra ao Amazon SageMaker Studio Classic, a Amazon SageMaker AI cria um volume do Amazon Elastic File System (Amazon EFS) para a equipe. Quando esse membro, ou qualquer membro da equipe, abre o Studio Classic, um diretório inicial é criado no volume para o membro. Uma cobrança de armazenamento é gerada para esse diretório. Posteriormente, cobranças adicionais de armazenamento são geradas para os cadernos e arquivos de dados armazenados no diretório de base do membro. Para obter informações sobre preços do Amazon EFS , consulte [Definição de preço do Amazon EFS](https://aws.amazon.com/efs/pricing/).
Custos adicionais podem incorrer quando outras operações forem executadas no Studio, por exemplo, a execução de um caderno, a execução de trabalhos de treinamento e a hosting de um modelo.
Para obter informações sobre os custos associados ao uso de cadernos do Studio Classic, consulte [Medição de uso para notebooks Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Para obter informações sobre faturamento e exemplos de preços, consulte [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
Se o Amazon SageMaker Studio for sua experiência padrão, consulte [Preços do Amazon SageMaker Studio](studio-updated-cost.md) para obter mais informações sobre preços.
# Solução de problemas do Amazon SageMaker Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Este tópico descreve como solucionar problemas comuns do Amazon SageMaker Studio Classic durante a configuração e o uso. A seguir estão os erros comuns que podem ocorrer ao usar o Amazon SageMaker Studio Classic. Cada erro é seguido por sua solução.
## Problemas de aplicações do Studio Classic
Os problemas a seguir ocorrem ao iniciar e usar a aplicação Studio Classic.
+ **A tela não carrega: limpar o espaço de trabalho e esperar não ajuda**
Ao iniciar a aplicação Studio Classic, um pop-up exibe a seguinte mensagem: Independentemente da opção selecionada, o Studio Classic não carrega.
```
Loading...
The loading screen is taking a long time. Would you like to clear the workspace or keep waiting?
```
A aplicação Studio Classic pode ter um atraso na inicialização se várias guias estiverem abertas no espaço de trabalho do Studio ou se vários arquivos estiverem no Amazon EFS. Esse pop-up deve desaparecer em alguns segundos depois que a área de trabalho do Studio Classic estiver pronta.
Se você continuar vendo uma tela de carregamento com um botão giratório depois de selecionar qualquer uma das opções, pode haver problemas de conectividade com a Nuvem privada virtual da Amazon usada pelo Studio Classic.
Para resolver problemas de conectividade com a Amazon Virtual Private Cloud (Amazon VPC) usada pelo Studio Classic, verifique as seguintes configurações de rede:
+ Se o seu domínio estiver configurado no `VpcOnly` modo: verifique se há um endpoint Amazon VPC ou um gateway NAT para AWS STS tráfego de saída, incluindo tráfego pela Internet. Para isso, siga as etapas em [Conectar os cadernos do Studio em uma VPC para recursos externos](studio-notebooks-and-internet-access.md).
+ Se sua Amazon VPC estiver configurada com um DNS personalizado em vez do DNS fornecido pela Amazon: verifique se as rotas estão configuradas usando o Protocolo de Configuração Dinâmica de Host (DHCP) para cada endpoint da Amazon VPC adicionado ao Amazon endpoint da VPC Usado pelo Studio Classic. Para obter mais informações sobre como definir conjuntos de opções de DHCP padrão e personalizados, consulte [Conjuntos de opções de DHCP na Amazon VPC](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_DHCP_Options.html).
+ ****Falha interna** ao iniciar o Studio**
Ao iniciar o Studio Classic, você não consegue visualizar a interface do usuário do Studio Classic. Você também vê um erro semelhante ao seguinte, com **Falha interna** como detalhe do erro:
```
Amazon SageMaker Studio
The JupyterServer app default encountered a problem and was stopped.
```
Esse erro pode ser causado por vários fatores. Se a conclusão dessas etapas não resolver seu problema, crie um problema com https://aws.amazon.com/premiumsupport/.
+ **Alvo de montagem ausente do Amazon EFS**: o Studio usa o Amazon EFS para armazenamento. O volume do Amazon EFS precisa de um destino de montagem para cada sub-rede na qual o domínio Amazon SageMaker AI é criado. Se esse destino de montagem do Amazon EFS for excluído acidentalmente, a aplicação Studio Classic não poderá ser carregado porque não poderá montar o diretório de arquivos do usuário. Para resolver esse problema, siga as etapas a seguir.
**Para verificar ou criar destinos de montagem.**
1. Encontre o volume do Amazon EFS associado ao domínio usando a chamada de [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html)API.
1. Faça login no Console de gerenciamento da AWS e abra o console do Amazon EFS em [ https://console.aws.amazon.com/efs/](https://console.aws.amazon.com/efs/).
1. Na lista de volumes do Amazon EFS, selecione o volume do Amazon EFS associado ao domínio.
1. Na página de detalhes do Amazon EFS, selecione a guia **Rede**. Verifique se há destinos de montagem para todas as sub-redes nas quais o domínio está configurado.
1. Se os destinos de montagem estiverem ausentes, adicione os alvos de montagem ausentes do Amazon EFS. Para obter instruções, consulte [Criar e gerenciar destinos de montagem e grupos de segurança](https://docs.aws.amazon.com/efs/latest/ug/accessing-fs.html).
1. Depois que os destinos de montagem ausentes forem criados, inicie a aplicação do Studio Classic.
+ **Arquivos conflitantes na `.local` pasta do usuário**: se você estiver usando a JupyterLab versão 1 no Studio Classic, bibliotecas conflitantes na sua `.local` pasta podem causar problemas ao iniciar o aplicativo Studio Classic. Para resolver isso, atualize a JupyterLab versão padrão do seu perfil de usuário para JupyterLab 3.0. Para obter mais informações sobre como visualizar e atualizar a JupyterLab versão, consulte[JupyterLab Controle de versão no Amazon Studio Classic SageMaker](studio-jl.md).
+ ****ConfigurationError: LifecycleConfig** ao iniciar o Studio Classic**
Você não pode ver a interface do usuário do Studio Classic ao iniciar o Studio Classic. Isso é causado por problemas com o script de configuração do ciclo de vida padrão anexado ao domínio.
**Para resolver problemas de configuração do ciclo de vida**
1. Veja os Amazon CloudWatch Logs da configuração do ciclo de vida para rastrear o comando que causou a falha. Para ver o log, siga as etapas em [Verifique o processo de configuração do ciclo de vida a partir do Logs CloudWatch](studio-lcc-debug.md#studio-lcc-debug-logs).
1. Desassocie o script padrão do perfil ou domínio do usuário. Para obter mais informações, consulte [Atualize e separe configurações de ciclo de vida no Amazon Studio Classic SageMaker](studio-lcc-delete.md).
1. Inicie a aplicação Studio Classic.
1. Depure seu script de configuração do ciclo de vida. Você pode executar o script de configuração do ciclo de vida no terminal do sistema para solucionar problemas. Quando o script é executado com êxito no terminal, você pode anexar o script ao perfil do usuário ou ao domínio.
+ **SageMaker As funcionalidades principais do Studio Classic não estão disponíveis.**
Se você receber essa mensagem de erro ao abrir o Studio Classic, pode ser devido a conflitos de versão do pacote Python. Isso ocorre se você usou os seguintes comandos em um notebook ou terminal para instalar pacotes Python que têm conflitos de versão com dependências de pacotes de SageMaker IA.
```
!pip install
```
```
pip install --user
```
Para resolver esse problema, siga as seguintes etapas:
1. Desinstale os pacotes Python instalados recentemente. Se você não tiver certeza de qual pacote desinstalar, crie um problema com https://aws.amazon.com/premiumsupport/.
1. Reiniciar o Studio Classic:
1. Encerre o Studio Classic no menu **Arquivo**.
1. Aguarde um minuto.
1. Reabra o Studio Classic atualizando a página ou abrindo-a a partir do Console de gerenciamento da AWS.
O problema deve ser resolvido se você tiver desinstalado o pacote que causou o conflito. Para instalar pacotes sem causar esse problema novamente, use `%pip install` sem o sinalizador `--user`.
Se o problema persistir, crie um novo perfil de usuário e configure seu ambiente com esse perfil de usuário.
Se essas soluções não resolverem o problema, crie um problema com https://aws.amazon.com/premiumsupport/.
+ **Não é possível abrir o Studio Classic a partir do Console de gerenciamento da AWS.**
Se você não conseguir abrir o Studio Classic e não conseguir criar uma nova instância em execução com todas as configurações padrão, crie um problema com https://aws.amazon.com/premiumsupport/.
## KernelGateway problemas de aplicação
Os problemas a seguir são específicos KernelGateway dos aplicativos lançados no Studio Classic.
+ **Não é possível acessar a sessão do Kernel**
Quando o usuário inicia um novo caderno, ele não consegue se conectar à sessão do caderno. Se o status do KernelGateway aplicativo for`In Service`, você poderá verificar o seguinte para resolver o problema.
+ **Verifique as configurações do grupo de segurança**
Se o domínio estiver configurado no `VPCOnly` modo, o grupo de segurança associado ao domínio deverá permitir o tráfego entre as portas no intervalo `8192-65535` para conectividade entre os KernelGateway aplicativos JupyterServer e.
**Para verificar as regras de grupos de segurança**
1. Obtenha os grupos de segurança associados ao domínio usando a chamada de [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html)API.
1. Faça login no Console de gerenciamento da AWS e abra o console da Amazon VPC em. [https://console.aws.amazon.com/vpc/](https://console.aws.amazon.com/vpc/)
1. No painel de navegação esquerdo, em **Segurança**, escolha **Grupos de Segurança**.
1. Filtre pelos IDs grupos de segurança associados ao domínio.
1. Para cada grupo de segurança:
1. Selecione o grupo de segurança .
1. Na página de detalhes do grupo de segurança, veja as **regras de entrada**. Verifique se o tráfego é permitido entre as portas no intervalo `8192-65535`.
Para mais informações sobre regras de grupos de segurança, consulte [Controle o tráfego para recursos usando grupos de segurança](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_SecurityGroups.html#working-with-security-group-rules). Para obter mais informações sobre os requisitos para usar o Studio Classic no modo `VPCOnly`, consulte [Conectar os cadernos do Studio em uma VPC para recursos externos](studio-notebooks-and-internet-access.md).
+ **Verifique o firewall e WebSocket as conexões**
Se os KernelGateway aplicativos tiverem um `InService` status e o usuário não conseguir se conectar à sessão do notebook Studio Classic, verifique o firewall e WebSocket as configurações.
1. Inicie a aplicação Studio Classic. Para obter mais informações, consulte [Inicie o Amazon SageMaker Studio Classic](studio-launch.md).
1. Abra as ferramentas de desenvolvedor do seu navegador da Web.
1. Escolha a guia **Redes**.
1. Procure uma entrada que corresponda ao formato a seguir.
```
wss://.studio..sagemaker.aws/jupyter/default/api/kernels//channels?session_id=
```
Se o status ou o código de resposta da entrada for diferente de`101`, suas configurações de rede estão impedindo a conexão entre o aplicativo Studio Classic e os KernelGateway aplicativos.
Para resolver esse problema, entre em contato com a equipe que gerencia suas configurações de rede para permitir listar o URL do Studio Classic e ativar WebSocket conexões.
+ **Não é possível iniciar uma aplicação devido ao excesso de cotas de recursos**
Quando um usuário tenta iniciar um novo caderno, a criação do caderno falha com um dos seguintes erros: Isso é causado pela superação das cotas de recursos.
+
```
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
```
O Studio Classic suporta até quatro KernelGateway aplicativos em execução na mesma instância. Para resolver esse problema, você pode realizar um dos seguintes procedimentos:
+ Exclua um KernelGateway aplicativo existente em execução na instância e reinicie o novo notebook.
+ Inicie o novo caderno em um tipo de instância diferente
Para obter mais informações, consulte [Alterar o tipo de instância de um notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md).
+
```
An error occurred (ResourceLimitExceeded) when calling the CreateApp operation
```
Nesse caso, a conta não tem limites suficientes para criar uma aplicação Studio Classic no tipo de instância especificado. Para resolver isso, navegue até o Service Quotas console em [https://console.aws.amazon.com/servicequotas/](https://console.aws.amazon.com/servicequotas/). Nesse console, solicite o aumento do limite do `Studio KernelGateway Apps running on instance-type instance`. Para obter mais informações, consulte as [Service Quotas do AWS](https://docs.aws.amazon.com/general/latest/gr/aws_service_limits.html).
# SageMaker JupyterLab
Crie um JupyterLab espaço no Amazon SageMaker Studio para iniciar o JupyterLab aplicativo. Um JupyterLab espaço é um espaço privado ou compartilhado no Studio que gerencia os recursos de armazenamento e computação necessários para executar o JupyterLab aplicativo. O JupyterLab aplicativo é um ambiente de desenvolvimento interativo (IDE) baseado na Web para notebooks, códigos e dados. Use a interface flexível e abrangente do JupyterLab aplicativo para configurar e organizar fluxos de trabalho de aprendizado de máquina (ML).
Por padrão, o JupyterLab aplicativo vem com a imagem SageMaker de distribuição. A imagem de distribuição tem pacotes bastante conhecidos, como os seguintes:
+ PyTorch
+ TensorFlow
+ Keras
+ NumPy
+ Pandas
+ Scikit-learn
Você pode usar espaços compartilhados para colaborar em seus cadernos Jupyter com outros usuários em tempo real. Para obter mais informações sobre espaços compartilhados, consulte [Colaboração com espaços compartilhados](domain-space.md).
Dentro do JupyterLab aplicativo, você pode usar o Amazon Q Developer, um companheiro de código generativo baseado em IA para gerar, depurar e explicar seu código. Para mais informações a respeito de como usar o Amazon Q Developer, consulte [JupyterLab guia do usuário](studio-updated-jl-user-guide.md). Para mais informações sobre a configuração do Amazon Q Developer, consulte [JupyterLab guia do administrador](studio-updated-jl-admin-guide.md).
Crie analytics unificadas e fluxos de trabalho de ML no mesmo caderno Jupyter. Execute Spark trabalhos interativos no Amazon EMR e na infraestrutura AWS Glue sem servidor, diretamente do seu notebook. Monitore e depure trabalhos com mais rapidez usando a interface de usuário embutida Spark. Em algumas etapas, você pode automatizar sua preparação de dados agendando o caderno como um trabalho.
O JupyterLab aplicativo ajuda você a trabalhar em colaboração com seus colegas. Use a integração Git embutida no JupyterLab IDE para compartilhar e criar uma versão do código. Traga seu próprio sistema de armazenamento de arquivos se você tiver um volume do Amazon EFS.
O JupyterLab aplicativo é executado em uma única instância do Amazon Elastic Compute Cloud (Amazon EC2) e usa um único volume do Amazon Elastic Block Store (Amazon EBS) para armazenamento. Você pode alternar instâncias mais rapidamente ou aumentar o tamanho do volume do Amazon EBS de acordo com suas necessidades.
O aplicativo JupyterLab 4 é executado em um JupyterLab espaço dentro do Studio. O Studio Classic usa o aplicativo JupyterLab 3. JupyterLab 4 oferece os seguintes benefícios:
+ Um IDE mais rápido que o Amazon SageMaker Studio Classic, especialmente com notebooks grandes
+ Pesquisa aprimorada de documentos
+ Um editor de texto mais acessível e com melhor desempenho
Para obter mais informações sobre JupyterLab, consulte a [JupyterLabdocumentação](https://jupyterlab.readthedocs.io/en/stable/#).
**Topics**
+ [JupyterLab guia do usuário](studio-updated-jl-user-guide.md)
+ [JupyterLab guia do administrador](studio-updated-jl-admin-guide.md)
# JupyterLab guia do usuário
Este guia mostra JupyterLab aos usuários como executar fluxos de trabalho de análise e aprendizado de máquina no SageMaker Studio. Você pode obter armazenamento rápido e escalar sua computação para cima ou para baixo, dependendo de suas necessidades.
JupyterLab suporta espaços privados e compartilhados. Os espaços privados têm como escopo um único usuário em um domínio. Os espaços compartilhados permitem que outros usuários em seu domínio colaborem com você em tempo real. Para ter informações sobre como usar espaços do Studio, consulte [Espaços do Amazon SageMaker Studio](studio-updated-spaces.md).
Para começar a usar JupyterLab, crie um espaço e inicie seu JupyterLab aplicativo. O espaço que executa seu JupyterLab aplicativo é um JupyterLab espaço. O JupyterLab espaço usa uma única instância do Amazon EC2 para sua computação e um único volume do Amazon EBS para seu armazenamento. Tudo em seu espaço, como seu código, perfil git e variáveis de ambiente, é armazenado no mesmo volume do Amazon EBS. O volume tem 3.000 IOPS e uma taxa de transferência de 125 megabytes por segundo (). MBps Você pode usar o armazenamento rápido para abrir e executar vários cadernos Jupyter na mesma instância. Você também pode trocar os kernels em um caderno muito rapidamente.
Seu administrador definiu as configurações padrão de armazenamento do Amazon EBS para o seu espaço. O tamanho de armazenamento padrão é 5 GB, mas você pode aumentar a quantidade de espaço disponível. Você pode falar com seu administrador para fornecer diretrizes.
Você pode alternar o tipo de instância do Amazon EC2 que você está usando para executar JupyterLab, aumentando ou diminuindo sua computação de acordo com suas necessidades. As instâncias de **Início Rápido** iniciam muito mais rápido do que as outras instâncias.
Seu administrador pode fornecer uma configuração de ciclo de vida que personalize seu ambiente. É possível especificar a configuração do ciclo de vida ao criar o espaço.
Se seu administrador lhe der acesso a um Amazon EFS, você poderá configurar seu JupyterLab espaço para acessá-lo.
Por padrão, o JupyterLab aplicativo usa a imagem SageMaker de distribuição. Isso inclui compatibilidade com vários pacotes de machine learning, analytics e aprendizado profundo. No entanto, se você precisar de uma imagem personalizada, seu administrador poderá ajudar a fornecer acesso às imagens personalizadas.
O volume do Amazon EBS persiste independentemente da vida útil de uma instância. Você não perderá seus dados ao alterar as instâncias. Use as bibliotecas de gerenciamento de pacotes conda e pip para criar ambientes personalizados reproduzíveis que persistem mesmo quando você alterna os tipos de instância.
Depois de abrir JupyterLab, você pode configurar seu ambiente usando o terminal. Para abrir o terminal, navegue até o **Iniciador** e escolha **Terminal**.
Veja a seguir exemplos de diferentes maneiras pelas quais você pode configurar um ambiente JupyterLab.
**nota**
No Studio, você pode usar configurações de ciclo de vida para personalizar seu ambiente, mas recomendamos usar um gerenciador de pacotes. Usar configurações de ciclo de vida é um método mais propenso a erros. É mais fácil adicionar ou remover dependências do que depurar um script de configuração do ciclo de vida. Também pode aumentar o tempo de JupyterLab inicialização.
Para informações sobre a configuração de ciclo de vida, consulte [Configurações de ciclo de vida com JupyterLab](jl-lcc.md).
**Topics**
+ [Criar um espaço](studio-updated-jl-user-guide-create-space.md)
+ [Configurar um espaço](studio-updated-jl-user-guide-configure-space.md)
+ [Personalize seu ambiente usando um gerenciador de pacotes](studio-updated-jl-user-guide-customize-package-manager.md)
+ [Limpe o ambiente de um conda](studio-updated-jl-clean-up-conda.md)
+ [Compartilhe ambientes conda entre tipos de instância](studio-updated-jl-create-conda-share-environment.md)
+ [Use o Amazon Q para agilizar seus fluxos de trabalho de Machine Learning](studio-updated-jl-user-guide-use-amazon-q.md)
# Criar um espaço
Para começar a usar JupyterLab, crie um espaço ou escolha o espaço que seu administrador criou para você e abra JupyterLab.
Use o procedimento a seguir para criar um espaço e abrir JupyterLab.
**Para criar um espaço e abrir JupyterLab**
1. Abra o Studio. Para informações sobre como abrir o Studio, consulte [Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Selecione **JupyterLab**.
1. Escolha **Criar JupyterLab espaço**.
1. Em **Nome**, especifique o nome do espaço.
1. (Opcional) Selecione **Compartilhar com meu domínio** para criar um espaço compartilhado.
1. Selecione **Criar espaço**.
1. (Opcional) Por **exemplo**, especifique a instância do Amazon EC2 que executa o espaço.
1. (Opcional) Para **Imagem**, especifique uma imagem fornecida pelo administrador para personalizar seu ambiente.
**Importante**
As políticas do IAM personalizadas que permitem que os usuários do Studio criem espaços devem conceder permissões também para listar imagens (`sagemaker: ListImage`) para visualizar imagens personalizadas. Para adicionar a permissão, consulte [Adicionar ou remover permissões de identidade](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) no Guia do usuário do *AWS Identity and Access Management*.
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar recursos de SageMaker IA já incluem permissões para listar imagens ao criar esses recursos.
1. (Opcional) Para **Configurações de espaço**, especifique o seguinte:
+ **Armazenamento (GB)**: Até 100 GB ou a quantidade especificada pelo administrador.
+ **Configuração do ciclo de vida**: Uma configuração de ciclo de vida que seu administrador especifica.
+ **Anexe um sistema de arquivos EFS personalizado**: Um Amazon EFS ao qual seu administrador fornece acesso.
1. Escolha **Executar espaço**.
1. Escolha **Open (Abrir) JupyterLab**.
# Configurar um espaço
Depois de criar um JupyterLab espaço, você pode configurá-lo para fazer o seguinte:
+ Alterar o tipo de instância.
+ Alterar o volume de armazenamento.
+ (É necessária a configuração do administrador) Use uma imagem personalizada.
+ (É necessária a configuração do administrador) Use uma configuração de ciclo de vida.
+ (É necessária a configuração do administrador.) Anexe um Amazon EFS personalizado.
**Importante**
Você deve parar o JupyterLab espaço toda vez que configurá-lo. Siga o procedimento a seguir para configurar o espaço.
**Para configurar um espaço**
1. No Studio, navegue até a página do JupyterLab aplicativo.
1. Escolha o nome do espaço.
1. (Opcional) Para **Imagem**, especifique uma imagem fornecida pelo administrador para personalizar seu ambiente.
**Importante**
As políticas do IAM personalizadas que permitem que os usuários do Studio criem espaços devem conceder permissões também para listar imagens (`sagemaker: ListImage`) para visualizar imagens personalizadas. Para adicionar a permissão, consulte [Adicionar ou remover permissões de identidade](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) no Guia do usuário do *AWS Identity and Access Management*.
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar recursos de SageMaker IA já incluem permissões para listar imagens ao criar esses recursos.
1. (Opcional) Para **Configurações de espaço**, especifique o seguinte:
+ **Armazenamento (GB)**: Até 100 GB ou a quantidade que seu administrador configurou para o espaço.
+ **Configuração do ciclo de vida: Uma configuração** de ciclo de vida fornecida pelo administrador.
+ **Anexe um sistema de arquivos EFS personalizado**: Um Amazon EFS ao qual seu administrador fornece acesso.
1. Escolha **Executar espaço**.
Quando você abre o JupyterLab aplicativo, seu espaço tem a configuração atualizada.
# Personalize seu ambiente usando um gerenciador de pacotes
Use pip ou conda para personalizar seu ambiente. Recomendamos usar gerenciadores de pacotes em vez de scripts de configuração do ciclo de vida.
## Crie e ative seu ambiente personalizado
Esta seção fornece exemplos de maneiras diferentes de configurar um ambiente em JupyterLab.
Um ambiente conda básico tem o número mínimo de pacotes necessários para seus fluxos de trabalho em SageMaker IA. Use o seguinte modelo para criar um ambiente conda básico:
```
# initialize conda for shell interaction
conda init
# create a new fresh environment
conda create --name test-env
# check if your new environment is created successfully
conda info --envs
# activate the new environment
conda activate test-env
# install packages in your new conda environment
conda install pip boto3 pandas ipykernel
# list all packages install in your new environment
conda list
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# to exit your new environment
conda deactivate
```
A imagem a seguir mostra a localização do ambiente que você criou.
![\[O ambiente test-env é exibido no canto superior direito da tela.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/juptyer-notebook-environment-location.png)
Para alterar seu ambiente, escolha-o e selecione uma opção no menu suspenso.
![\[A marca de seleção e o texto correspondente mostram um exemplo de ambiente que você criou anteriormente.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jupyter-notebook-select-env.png)
Escolha **Selecionar** para selecionar um kernel para o ambiente.
## Crie um ambiente conda com uma versão específica do Python
Limpar ambientes conda que você não está usando pode ajudar a liberar espaço em disco e melhorar o desempenho. Use o seguinte modelo para limpar um ambiente conda:
```
# create a conda environment with a specific python version
conda create --name py38-test-env python=3.8.10
# activate and test your new python version
conda activate py38-test-env & python3 --version
# Install ipykernel to facilicate env registration
conda install ipykernel
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your py38 test environment
conda deactivate
```
## Crie um ambiente conda com um conjunto específico de pacotes
Use o seguinte modelo para criar um ambiente conda com uma versão específica do Python e um conjunto de pacotes:
```
# prefill your conda environment with a set of packages,
conda create --name py38-test-env python=3.8.10 pandas matplotlib=3.7 scipy ipykernel
# activate your conda environment and ensure these packages exist
conda activate py38-test-env
# check if these packages exist
conda list | grep -E 'pandas|matplotlib|scipy'
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
## Clone conda de um ambiente existente
Clone seu ambiente conda para preservar seu estado de funcionamento. Você testa no ambiente clonado sem precisar se preocupar em introduzir alterações significativas em seu ambiente de teste.
Use o seguinte comando para clonar um ambiente:
```
# create a fresh env from a base environment
conda create --name py310-base-ext --clone base # replace 'base' with another env
# activate your conda environment and ensure these packages exist
conda activate py310-base-ext
# install ipykernel to register your env
conda install ipykernel
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
## Clone conda de um arquivo YAML de referência
Crie um ambiente conda a partir de um arquivo YAML de referência. A seguir, um exemplo de um arquivo YAML que você pode usar.
```
# anatomy of a reference environment.yml
name: py311-new-env
channels:
- conda-forge
dependencies:
- python=3.11
- numpy
- pandas
- scipy
- matplotlib
- pip
- ipykernel
- pip:
- git+https://github.com/huggingface/transformers
```
Em `pip`, recomendamos especificar apenas as dependências que não estão disponíveis com o conda.
Use os comandos a seguir para criar um ambiente conda a partir de um arquivo YAML.
```
# create your conda environment
conda env create -f environment.yml
# activate your env
conda activate py311-new-env
```
# Limpe o ambiente de um conda
Limpar ambientes conda que você não está usando pode ajudar a liberar espaço em disco e melhorar o desempenho. Use o seguinte modelo para limpar um ambiente conda:
```
# list your environments to select an environment to clean
conda info --envs # or conda info -e
# once you've selected your environment to purge
conda remove --name test-env --all
# run conda environment list to ensure the target environment is purged
conda info --envs # or conda info -e
```
# Compartilhe ambientes conda entre tipos de instância
Você pode compartilhar ambientes conda salvando-os em um diretório do Amazon EFS fora do seu volume do Amazon EBS. Outro usuário pode acessar o ambiente no diretório em que você o salvou.
**Importante**
Há limitações no compartilhamento de seus ambientes. Por exemplo, não recomendamos um ambiente destinado a ser executado em uma instância de GPU do Amazon EC2 em vez de um ambiente executado em uma instância de CPU.
Use os comandos a seguir como modelo para especificar o diretório de destino em que você está criando um ambiente personalizado. Você está criando um conda dentro de um caminho específico. Você o cria dentro do diretório Amazon EFS. Você pode criar uma nova instância e fazer o caminho de ativação do conda e fazê-lo dentro do Amazon EFS.
```
# if you know your environment path for your conda environment
conda create --prefix /home/sagemaker-user/my-project/py39-test python=3.9
# activate the env with full path from prefix
conda activate home/sagemaker-user/my-project/py39-test
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | awk -F' : ' '{print $2}' | awk -F'/' '{print $NF}')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env-prefix:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
# Use o Amazon Q para agilizar seus fluxos de trabalho de Machine Learning
O Amazon Q Developer é seu companheiro baseado em IA para o desenvolvimento de machine learning. Com o Amazon Q Developer, você pode:
+ Receba step-by-step orientações sobre como usar os recursos de SageMaker IA de forma independente ou em combinação com outros AWS serviços.
+ Obtenha um código de amostra para começar suas tarefas de ML, como preparação de dados, treinamento, inferência e. MLOps
+ Receber assistência na solução de problemas para depurar e resolver erros encontrados durante a execução do código.
O Amazon Q Developer se integra perfeitamente ao seu JupyterLab ambiente. Para usar o Amazon Q Developer, escolha o **Q** na navegação à esquerda do seu JupyterLab ambiente ou do ambiente do Editor de código.
Se você não vê o ícone **Q**, seu administrador precisa configurá-lo para você. Para mais informações sobre a configuração do Amazon Q Developer, consulte [Configurar o Amazon Q Developer para seus usuários](studio-updated-amazon-q-admin-guide-set-up.md).
O Amazon Q fornece sugestões automaticamente para ajudar você a escrever seu código. Você também pode pedir sugestões por meio da interface de bate-papo.
# JupyterLab guia do administrador
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Este guia para administradores descreve JupyterLab recursos de SageMaker IA, como os do Amazon Elastic Block Store (Amazon EBS) e do Amazon Elastic Compute Cloud (Amazon EC2). Os tópicos também mostram como fornecer acesso ao usuário e alterar o tamanho do armazenamento.
Um JupyterLab espaço de SageMaker IA é composto pelos seguintes recursos:
+ Um volume distinto do Amazon EBS que armazena todos os dados, como o código e as variáveis de ambiente.
+ A instância do Amazon EC2 usada para executar o espaço.
+ A imagem usada para ser executada JupyterLab.
**nota**
As aplicações não têm acesso ao volume do EBS de outras aplicações. Por exemplo, o Code Editor, baseado em Code-OSS, Visual Studio Code - Open Source não tem acesso ao volume do EBS para. JupyterLab Para mais informações, consulte [Amazon Elastic Block Store (Amazon EBS)](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/AmazonEBS.html).
Você pode usar a SageMaker API da Amazon para fazer o seguinte:
+ Alterar o tamanho de armazenamento padrão do volume do EBS para seus usuários.
+ Alterar o tamanho máximo do armazenamento do EBS
+ Especifique as configurações do usuário para a aplicação. Por exemplo, você pode especificar se o usuário está usando uma imagem personalizada ou um repositório de código.
+ Especifique o tipo de aplicação de apoio.
O tamanho padrão do volume do Amazon EBS é de 5 GB. Você pode aumentar o tamanho do volume para um máximo de 16.384 GB. Se você não fizer nada, seus usuários poderão aumentar o tamanho do volume para 100 GB. O tamanho do volume só pode ser alterado uma vez em um período de seis horas.
Os kernels associados ao JupyterLab aplicativo são executados na mesma instância do Amazon EC2 que é executada. JupyterLab Quando você cria um espaço, a versão mais recente da Imagem de SageMaker Distribuição é usada por padrão. Para obter mais informações sobre imagens SageMaker de distribuição, consulte[SageMaker Política de suporte de imagem do Studio](sagemaker-distribution.md).
**Importante**
Para obter informações sobre como atualizar o espaço para usar a versão mais recente da SageMaker AI Distribution Image, consulte[Atualizar a imagem SageMaker de distribuição](studio-updated-jl-update-distribution-image.md).
O diretório de trabalho de seus usuários dentro do volume de armazenamento é `/home/sagemaker-user`. Se você especificar sua própria AWS KMS chave para criptografar o volume, tudo no diretório de trabalho será criptografado usando sua chave gerenciada pelo cliente. Se você não especificar uma AWS KMS chave, os dados internos `/home/sagemaker-user` serão criptografados com uma chave AWS gerenciada. Independentemente de você especificar uma AWS KMS chave, todos os dados fora do diretório de trabalho são criptografados com uma chave AWS gerenciada.
As seções a seguir o instruem ao longo das configurações que você precisa executar como administrador.
**Topics**
+ [Conceda aos seus usuários acesso aos espaços](studio-updated-jl-admin-guide-permissions.md)
+ [Altere o tamanho de armazenamento padrão para seus JupyterLab usuários](studio-updated-jl-admin-guide-storage-size.md)
+ [Configurações de ciclo de vida com JupyterLab](jl-lcc.md)
+ [Repositórios Git em JupyterLab](studio-updated-jl-admin-guide-git-attach.md)
+ [Imagens personalizadas](studio-updated-jl-admin-guide-custom-images.md)
+ [Atualizar a imagem SageMaker de distribuição](studio-updated-jl-update-distribution-image.md)
+ [Excluir recursos não utilizados](studio-updated-jl-admin-guide-clean-up.md)
+ [Cotas](studio-updated-jl-admin-guide-quotas.md)
# Conceda aos seus usuários acesso aos espaços
Para dar aos usuários acesso a espaços privados ou compartilhados, você deve anexar uma política de permissões aos perfis de IAM. Você também pode usar a política de permissões para restringir espaços privados e suas aplicações associados a um perfil de usuário específico.
A política de permissões a seguir concede acesso a espaços privados e compartilhados. Isso permite que os usuários criem seu próprio espaço e listem outros espaços em seu domínio. Um usuário com essa política não pode acessar o espaço privado de outro usuário. Para ter informações sobre como usar espaços do Studio, consulte [Espaços do Amazon SageMaker Studio](studio-updated-spaces.md).
A política fornece aos usuários permissões para o seguinte:
+ Espaços privados ou espaços compartilhados.
+ Um perfil de usuário para acessar esses espaços.
Para fornecer permissões, você pode definir o escopo das permissões da política a seguir e adicioná-las aos perfis do IAM de seus usuários. Você também pode usar essa política para restringir seus espaços e suas aplicações associados a um perfil de usuário específico.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioCreatePresignedDomainUrlForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
{
"Sid": "SMStudioAppPermissionsListAndDescribe",
"Effect": "Allow",
"Action": [
"sagemaker:ListApps",
"sagemaker:ListDomains",
"sagemaker:ListUserProfiles",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:DescribeUserProfile",
"sagemaker:DescribeSpace"
],
"Resource": "*"
},
{
"Sid": "SMStudioAppPermissionsTagOnCreate",
"Effect": "Allow",
"Action": [
"sagemaker:AddTags"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:*/*",
"Condition": {
"Null": {
"sagemaker:TaggingAction": "false"
}
}
},
{
"Sid": "SMStudioRestrictSharedSpacesWithoutOwners",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioRestrictSpacesToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private",
"Shared"
]
}
}
},
{
"Sid": "SMStudioRestrictCreatePrivateSpaceAppsToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/sagemaker:DomainId/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private"
]
}
}
}
]
}
```
------
# Altere o tamanho de armazenamento padrão para seus JupyterLab usuários
Você pode alterar as configurações de armazenamento padrão para seus usuários. Você pode alterar também as configurações de armazenamento padrão com base nos requisitos organizacionais e nas necessidades dos seus usuários.
Para alterar o tamanho do armazenamento, esta seção fornece comandos para fazer o seguinte:
1. Atualize as configurações de armazenamento do Amazon EBS no domínio Amazon SageMaker AI (domínio).
1. Crie um perfil de usuário e especifique as configurações de armazenamento dentro dele.
Use os seguintes comandos AWS Command Line Interface (AWS CLI) para alterar o tamanho de armazenamento padrão.
Use o AWS CLI comando a seguir para atualizar o domínio:
```
aws --region Região da AWS sagemaker update-domain \
--domain-id domain-id \
--default-user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":5,
"MaximumEbsVolumeSizeInGb":100
}
}
}'
```
Use o AWS CLI comando a seguir para criar o perfil do usuário e especificar as configurações de armazenamento padrão:
```
aws --region Região da AWS sagemaker create-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":5,
"MaximumEbsVolumeSizeInGb":100
}
}
}'
```
Use os AWS CLI comandos a seguir para atualizar as configurações de armazenamento padrão no perfil do usuário:
```
aws --region Região da AWS sagemaker update-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":25,
"MaximumEbsVolumeSizeInGb":200
}
}
}'
```
# Configurações de ciclo de vida com JupyterLab
As configurações do ciclo de vida são scripts de shell que são acionados por eventos JupyterLab do ciclo de vida, como iniciar um novo notebook. JupyterLab Você pode usar configurações de ciclo de vida para automatizar a personalização do seu ambiente. JupyterLab Essa personalização inclui a instalação de pacotes personalizados, a configuração de extensões do caderno, o pré-carregamento de conjuntos de dados e a configuração de repositórios de código-fonte.
O uso de configurações de ciclo de vida oferece flexibilidade e controle de configuração para atender JupyterLab às suas necessidades específicas. Por exemplo, você pode criar um conjunto mínimo de imagens básicas de contêiner com os pacotes e bibliotecas mais usados. Em seguida, use a configuração de ciclo de vida para instalar pacotes adicionais para casos de uso específicos em suas equipes de ciência de dados e machine learning.
**nota**
Cada script tem um limite de **16.384 caracteres**.
**Topics**
+ [Criação de configuração do ciclo de vida](jl-lcc-create.md)
+ [Configuração de depuração do ciclo de vida](jl-lcc-debug.md)
+ [Desassociar as configurações de ciclo de vida](jl-lcc-delete.md)
# Criação de configuração do ciclo de vida
Este tópico inclui instruções para criar e associar uma configuração de ciclo de vida com. JupyterLab Você usa o AWS Command Line Interface (AWS CLI) ou o Console de gerenciamento da AWS para automatizar a personalização do seu JupyterLab ambiente.
As configurações do ciclo de vida são scripts de shell acionados por eventos JupyterLab do ciclo de vida, como iniciar um novo notebook. JupyterLab Para obter mais informações sobre a configuração de ciclo de vida, consulte [Configurações de ciclo de vida com JupyterLab](jl-lcc.md).
## Criar uma configuração de ciclo de vida (AWS CLI)
Saiba como criar uma configuração de ciclo de vida usando o AWS Command Line Interface (AWS CLI) para automatizar a personalização do seu ambiente Studio.
### Pré-requisitos
Antes de começar, conclua os seguintes pré-requisitos:
+ Atualize o AWS CLI seguindo as etapas em [Instalando a AWS CLI versão atual](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Em sua máquina local, execute `aws configure` e forneça suas credenciais da AWS . Para obter informações sobre AWS credenciais, consulte [Entendendo e obtendo suas AWS credenciais](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Integre-se ao domínio Amazon SageMaker AI. Para obter informações conceituais, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md). Para obter um guia de início rápido, consulte [Use a configuração rápida para Amazon SageMaker AI](onboard-quick-start.md).
### Etapa 1: criar uma configuração de ciclo de vida
O procedimento a seguir mostra como criar um script de configuração do ciclo de vida que imprime `Hello World`.
**nota**
Cada script pode ter até **16.384 caracteres**.
1. De sua máquina local, crie um arquivo denominado `my-script.sh` com o seguinte conteúdo:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Use o seguinte para converter seu arquivo `my-script.sh` no formato base64: Esse requisito evita erros que ocorram devido à codificação de espaçamento e quebra de linha.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Crie uma configuração de ciclo de vida para uso com o Studio. O comando a seguir cria uma configuração de ciclo de vida que é executada quando você inicia uma aplicação associada `JupyterLab`.
```
aws sagemaker create-studio-lifecycle-config \
--region region \
--studio-lifecycle-config-name my-jl-lcc \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type JupyterLab
```
Anote o ARN da configuração de ciclo de vida recém-criada que é retornada. Esse ARN é necessário para anexar a configuração do ciclo de vida ao seu aplicativo.
### Etapa 2: anexar a configuração do ciclo de vida ao seu domínio (domínio) e perfil de usuário do Amazon SageMaker AI
Para anexar a configuração do ciclo de vida, é necessário atualizar as `UserSettings` do seu domínio ou perfil de usuário. Os scripts de configuração do ciclo de vida associados no nível do domínio são herdados por todos os usuários. No entanto, os scripts associados no nível do perfil do usuário têm como escopo um usuário específico.
Você pode criar um novo perfil de usuário, domínio ou espaço com uma configuração de ciclo de vida anexada usando os seguintes comandos:
+ [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html)
+ [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html)
+ [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html)
O comando a seguir cria um perfil de usuário com uma configuração de ciclo de vida. Adicione o ARN da configuração do ciclo de vida da etapa anterior às `JupyterLabAppSettings` do usuário. É possível adicionar várias configurações de ciclo de vida ao mesmo tempo usando uma lista de configurações de ciclo de vida. Quando um usuário inicia um JupyterLab aplicativo com o AWS CLI, ele pode especificar uma configuração de ciclo de vida em vez de usar a configuração padrão. A configuração de ciclo de vida que o usuário passa deve pertencer à lista de configurações de ciclo de vida em `JupyterLabAppSettings`.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
## Criar uma configuração de ciclo de vida (console)
Aprenda a criar uma configuração de ciclo de vida usando o Console de gerenciamento da AWS para automatizar a personalização do seu ambiente Studio.
### Etapa 1: criar uma configuração de ciclo de vida
O procedimento a seguir mostra como criar um script de configuração do ciclo de vida que imprime `Hello World`.
**Para criar uma configuração de ciclo de vida**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações administrativas**, escolha **Configurações de ciclo de vida**.
1. Escolha a guia **JupyterLab**.
1. Escolha **Criar configuração**.
1. Para **Nome**, especifique o nome da configuração do ciclo de vida.
1. Para a caixa de texto em **Scripts**, especifique a seguinte configuração de ciclo de vida:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Escolha **Criar configuração**.
### Etapa 2: anexar a configuração do ciclo de vida ao seu domínio (domínio) e perfil de usuário do Amazon SageMaker AI
Os scripts de configuração do ciclo de vida associados no nível do domínio são herdados por todos os usuários. No entanto, os scripts associados no nível do perfil do usuário têm como escopo um usuário específico.
Você pode anexar várias configurações de ciclo de vida a um domínio ou perfil de usuário para. JupyterLab
Use o procedimento a seguir para anexar uma configuração de ciclo de vida a um domínio.
**Para anexar uma configuração de ciclo de vida a um domínio**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de domínios, selecione o domínio ao qual anexar a configuração do ciclo de vida.
1. Em **Detalhes do domínio**, escolha a guia de **Ambiente**.
1. Em **Configurações de duração para aplicações pessoais do Studio**, escolha **Anexar**.
1. Em **Origem**, escolha **Configuração existente**.
1. Em **Configurações de ciclo de vida do Studio**, selecione a configuração de ciclo de vida que você criou na etapa anterior.
1. Selecione **Anexar a domínio**.
Use o seguinte procedimento para anexar uma configuração de ciclo de vida para um perfil de usuário:
**Para anexar a configuração do ciclo de vida a um perfil de usuário**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de domínios, selecione o domínio que contém o perfil do usuário para anexar a configuração do ciclo de vida.
1. Em **Perfis de usuário**, selecione o perfil do usuário.
1. Na página **Detalhes do usuário**, escolha **Editar**.
1. No painel de navegação à esquerda, escolha **Configurações do Studio**.
1. Em **Configurações de ciclo de vida anexadas ao usuário**, escolha **Anexar**.
1. Em **Origem**, escolha **Configuração existente**.
1. Em **Configurações de ciclo de vida do Studio**, selecione a configuração de ciclo de vida que você criou na etapa anterior.
1. Escolha **Anexar ao perfil do usuário**.
# Configuração de depuração do ciclo de vida
Os tópicos a seguir mostram como obter informações e depurar as configurações de ciclo de vida.
**Topics**
+ [Verifique o processo de configuração do ciclo de vida a partir do Logs CloudWatch](#jl-lcc-debug-logs)
+ [Tempo limite de configuração do ciclo de vida](#jl-lcc-debug-timeout)
## Verifique o processo de configuração do ciclo de vida a partir do Logs CloudWatch
Somente as configurações de ciclo de vida registram `STDOUT` e `STDERR`.
`STDOUT` é a saída padrão para scripts bash. Você pode escrever em `STDERR` anexando `>&2` ao final de um comando bash. Por exemplo, .`echo 'hello'>&2`
Os registros de suas configurações de ciclo de vida são publicados para você usando Conta da AWS a Amazon. CloudWatch Esses registros podem ser encontrados no fluxo de `/aws/sagemaker/studio` registros no CloudWatch console.
1. Abra o CloudWatch console em [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Selecione **Logs** no painel de navegação esquerdo. No menu suspenso, selecione **Grupo de logs**.
1. Na página **Grupos de logs**, pesquise por `aws/sagemaker/studio`.
1. Selecione o grupo de logs .
1. Na página **Detalhes do grupo de logs**, escolha a guia **Fluxo de logs**.
1. Para encontrar os logs de um espaço específico, pesquise os fluxos de logs usando o seguinte formato:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Por exemplo, para encontrar os logs de configuração de ciclo de vida para o ID de domínio `d-m85lcu8vbqmz`, o nome de espaço `i-sonic-js` e o tipo de aplicação `JupyterLab`, use a seguinte string de pesquisa:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
## Tempo limite de configuração do ciclo de vida
Há um limite de tempo limite de configuração do ciclo de vida de 5 minutos. Se um script de configuração do ciclo de vida demorar mais de 5 minutos para ser executado, será gerado um erro.
Para resolver esse erro, certifique-se de que seu script de configuração do ciclo de vida seja concluído em menos de 5 minutos.
Para ajudar a diminuir o runtime de scripts, tente o seguinte:
+ Reduza as etapas desnecessárias. Por exemplo, limite os ambientes conda nos quais instalar pacotes grandes.
+ Execute tarefas em processos paralelos.
+ Use o comando nohup em seu script para garantir que os sinais de desligamento sejam ignorados para que o script seja executado sem interrupção.
# Desassociar as configurações de ciclo de vida
Para atualizar seu script, você deve criar um novo script de configuração do ciclo de vida e anexá-lo ao respectivo domínio (domínio), perfil de usuário ou espaço compartilhado da Amazon SageMaker AI. Não é possível alterar um script de configuração de ciclo de vida depois de criado. Para obter mais informações sobre criar e gerenciar a configuração de ciclo de vida, consulte [Criação de configuração do ciclo de vida](jl-lcc-create.md).
A seção a seguir mostra como desassociar uma configuração de ciclo de vida usando a AWS Command Line Interface (AWS CLI).
## Desconecte usando o AWS CLI
Para desassociar uma configuração de ciclo de vida usando a (AWS CLI), remova a configuração de ciclo de vida desejada da lista de configurações de ciclo de vida anexada ao recurso. Em seguida, passe a lista como parte do respectivo 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)
Por exemplo, o comando a seguir remove todas as configurações do ciclo de vida do JupyterLab aplicativo que está anexado ao domínio.
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[]
}
}'
```
# Repositórios Git em JupyterLab
JupyterLab oferece uma extensão Git para inserir a URL de um repositório Git (repo), cloná-lo em um ambiente, enviar alterações e visualizar o histórico de commits. Você também pode anexar URLs um repositório Git sugerido a um domínio (domínio) ou perfil de usuário do Amazon SageMaker AI.
As seções a seguir mostram como anexar ou desanexar o repositório URLs Git.
**Topics**
+ [Anexar um repositório Git (AWS CLI)](studio-updated-git-attach-cli.md)
+ [Desanexar o repositório Git URLs](studio-updated-git-detach.md)
# Anexar um repositório Git (AWS CLI)
Esta seção mostra como anexar uma URL do repositório Git (repo) usando o. AWS CLI Depois de anexar a URL do repositório Git, você pode cloná-la seguindo as etapas em [Clone um repositório Git no Amazon Studio SageMaker](#studio-updated-tasks-git).
## Pré-requisitos
Antes de começar, conclua os seguintes pré-requisitos:
+ Atualize o AWS CLI seguindo as etapas em [Instalando a AWS Command Line Interface versão atual](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Em sua máquina local, execute `aws configure` e forneça suas credenciais da AWS . Para obter informações sobre AWS credenciais, consulte [Entendendo e obtendo suas AWS credenciais](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Integre-se ao domínio Amazon SageMaker AI. Para obter mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
## Anexe o repositório Git a um domínio (domínio) ou perfil de usuário do Amazon SageMaker AI
Os URLs repositórios Git associados no nível do domínio são herdados por todos os usuários. No entanto, os URLs repositórios Git associados no nível do perfil do usuário têm como escopo um usuário específico. Você pode anexar vários repositórios Git a URLs um domínio Amazon SageMaker AI ou a um perfil de usuário passando uma lista de repositórios. URLs
As seções a seguir mostram como anexar uma URL do repositório Git ao seu domínio e perfil de usuário.
### Anexar a um domínio Amazon SageMaker AI
O seguinte comando anexa uma URL do repositório Git a um domínio existente:
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
### Anexar ao uma perfil de usuário
O seguinte comando anexa uma URL do repositório Git a um usuário existente:
```
aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\
--user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
## Clone um repositório Git no Amazon Studio SageMaker
O Amazon SageMaker Studio se conecta somente a um repositório Git local. Para acessar os arquivos no repositório, clone o repositório Git a partir do Studio. Para fazer isso, o Studio oferece uma extensão do Git para você inserir a URL de um repositório Git, cloná-lo em seu ambiente, enviar alterações e visualizar o histórico de confirmações.
Se o repositório for privado e exigir credenciais de acesso, você receberá uma solicitação para inserir suas credenciais de usuário. Suas credenciais incluem o nome de usuário e o token de acesso pessoal. Para obter mais informações sobre token de acesso pessoal, consulte [Gerenciar seus tokens de acesso pessoal](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
Os administradores também podem anexar um repositório Git sugerido no domínio SageMaker Amazon AI URLs ou no nível do perfil do usuário. Os usuários podem então selecionar o URL do repositório na lista de sugestões e cloná-lo no Studio. Para obter mais informações sobre como anexar repositórios sugeridos, consulte [Anexe repositórios Git sugeridos ao Amazon Studio Classic SageMaker](studio-git-attach.md).
# Desanexar o repositório Git URLs
Esta seção mostra como separar o URLs repositório Git de um domínio (domínio) do SageMaker Amazon AI ou de um perfil de usuário. Você pode desanexar o repositório URLs usando o AWS Command Line Interface (AWS CLI) ou o console Amazon SageMaker AI.
## Separe um repositório Git usando o AWS CLI
Para separar todo o URLs repositório Git de um domínio ou perfil de usuário, você deve passar uma lista vazia de repositórios de código. Essa lista é passada como parte do parâmetro `JupyterLabAppSettings` em um comando `update-domain` ou `update-user-profile`. Para desassociar somente uma URL do repositório Git, passe a lista de repositórios de código sem a URL desejada do repositório Git.
### Desconecte-se de um domínio da Amazon SageMaker AI
O comando a seguir separa todo o URLs repositório Git de um domínio:
```
aws sagemaker update-domain --region region --domain-name domain-name \
--domain-settings JupyterLabAppSettings={CodeRepositories=[]}
```
### Desanexar de um perfil de usuário
O comando a seguir separa todo o URLs repositório Git de um perfil de usuário:
```
aws sagemaker update-user-profile --domain-name domain-name --user-profile-name user-name\
--user-settings JupyterLabAppSettings={CodeRepositories=[]}
```
# Imagens personalizadas
Se precisar de uma funcionalidade diferente da fornecida pela SageMaker distribuição, você pode trazer sua própria imagem com suas extensões e pacotes personalizados. Você também pode usá-lo para personalizar a JupyterLab interface de usuário de acordo com suas próprias necessidades de marca ou conformidade.
A página a seguir fornecerá informações e modelos JupyterLab específicos para criar suas próprias imagens personalizadas de SageMaker IA. Isso serve para complementar as informações e instruções do Amazon SageMaker Studio sobre como criar sua própria imagem de SageMaker IA e trazer sua própria imagem para o Studio. Para saber mais sobre imagens personalizadas de SageMaker IA da Amazon e como trazer sua própria imagem para o Studio, consulte[Traga sua própria imagem (BYOI)](studio-updated-byoi.md).
**Topics**
+ [Verificação de integridade e URL de aplicações](#studio-updated-jl-admin-guide-custom-images-app-healthcheck)
+ [Exemplos de Dockerfile](#studio-updated-jl-custom-images-dockerfile-templates)
## Verificação de integridade e URL de aplicações
+ `Base URL`: O URL base para a aplicação BYOI deve ser `jupyterlab/default`. Você só pode ter uma aplicação e ele deve sempre ter um nome `default`.
+ `HealthCheck API`— A SageMaker IA usa o endpoint de verificação de integridade na porta `8888` para verificar a integridade do JupyterLab aplicativo. `jupyterlab/default/api/status`é o endpoint para a verificação de saúde.
+ `Home/Default URL`— Os `/opt/ml` diretórios `/opt/.sagemakerinternal` e que são usados por AWS. O arquivo de metadados em `/opt/ml` contém metadados sobre recursos como `DomainId`.
+ Autenticação: Para habilitar a autenticação para seus usuários, desative a autenticação baseada em token ou senha dos cadernos Jupyter e permita todas as origens.
## Exemplos de Dockerfile
Os exemplos a seguir são arquivos `Dockerfile` que atendem às informações e [Especificações de imagem personalizadas](studio-updated-byoi-specs.md) acima.
**nota**
Se você estiver trazendo sua própria imagem para o SageMaker Unified Studio, precisará seguir as [especificações do Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) no Guia do *usuário do Amazon SageMaker Unified Studio*.
`Dockerfile`exemplos do SageMaker Unified Studio podem ser encontrados no [exemplo do Dockerfile no Guia do](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) *usuário do Amazon SageMaker Unified Studio*.
------
#### [ Example AL2023 Dockerfile ]
A seguir é apresentado o exemplo AL2023 de Dockerfile que atende às informações e [Especificações de imagem personalizadas](studio-updated-byoi-specs.md) acima.
```
FROM public.ecr.aws/amazonlinux/amazonlinux:2023
ARG NB_USER="sagemaker-user"
ARG NB_UID=1000
ARG NB_GID=100
# Install Python3, pip, and other dependencies
RUN yum install -y \
python3 \
python3-pip \
python3-devel \
gcc \
shadow-utils && \
useradd --create-home --shell /bin/bash --gid "${NB_GID}" --uid ${NB_UID} ${NB_USER} && \
yum clean all
RUN python3 -m pip install --no-cache-dir \
'jupyterlab>=4.0.0,<5.0.0' \
urllib3 \
jupyter-activity-monitor-extension \
--ignore-installed
# Verify versions
RUN python3 --version && \
jupyter lab --version
USER ${NB_UID}
CMD jupyter lab --ip 0.0.0.0 --port 8888 \
--ServerApp.base_url="/jupyterlab/default" \
--ServerApp.token='' \
--ServerApp.allow_origin='*'
```
------
#### [ Example SageMaker Distribuição da Amazon Dockerfile ]
A seguir é apresentado o exemplo de Dockerfile da Amazon SageMaker Distribution que atende às informações e [Especificações de imagem personalizadas](studio-updated-byoi-specs.md) acima.
```
FROM public.ecr.aws/sagemaker/sagemaker-distribution:latest-cpu
ARG NB_USER="sagemaker-user"
ARG NB_UID=1000
ARG NB_GID=100
ENV MAMBA_USER=$NB_USER
USER root
RUN apt-get update
RUN micromamba install sagemaker-inference --freeze-installed --yes --channel conda-forge --name base
USER $MAMBA_USER
ENTRYPOINT ["entrypoint-jupyter-server"]
```
------
# Atualizar a imagem SageMaker de distribuição
**Importante**
Este tópico pressupõe que você tenha criado um espaço e concedido ao usuário acesso a ele. Para obter mais informações, consulte [Conceda aos seus usuários acesso aos espaços](studio-updated-jl-admin-guide-permissions.md).
Atualize os JupyterLab espaços que você já criou para usar a versão mais recente da Imagem de SageMaker Distribuição e acessar os recursos mais recentes. Você pode usar a interface do usuário do Studio ou a AWS Command Line Interface (AWS CLI) para atualizar a imagem.
As seções a seguir fornecem informações atualização de imagem.
## Atualizar a imagem (IU)
Atualizar a imagem envolve reiniciar o JupyterLab espaço do seu usuário. Use o procedimento a seguir para atualizar o JupyterLab espaço do usuário com a imagem mais recente.
**Para atualizar a imagem (IU)**
1. Abra o Studio. Para informações sobre como abrir o Studio, consulte [Inicie o Amazon SageMaker Studio](studio-updated-launch.md).
1. Selecione **JupyterLab**.
1. Selecione o JupyterLab espaço do seu usuário.
1. Escolha **Parar espaço**.
1. Para **Imagem**, selecione uma versão atualizada da imagem de distribuição de SageMaker IA. Para a imagem mais recente, escolha **Mais recente**.
1. Escolha **Executar espaço**.
## Atualize a imagem (AWS CLI)
Esta seção pressupõe que você tenha o AWS Command Line Interface (AWS CLI) instalado. Para obter informações sobre a instalação do AWS CLI, consulte [Instalar ou atualizar para a versão mais recente do AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
Para atualizar a imagem, você deve fazer o seguinte para o espaço do seu usuário:
1. Excluir o JupyterLab aplicativo
1. Atualizar o espaço
1. Criar a aplicação
**Importante**
É necessário ter as seguintes informações em mãos antes de começar a atualizar a imagem:
ID do domínio — O ID do domínio Amazon SageMaker AI do seu usuário.
Tipo de aplicativo — JupyterLab.
Nome da aplicação: padrão.
Nome do espaço: O nome especificado para o espaço.
Tipo de instância: o tipo de instância do Amazon EC2 que você está usando para executar a aplicação. Por exemplo, .`ml.t3.medium`
SageMaker ARN da imagem — O nome de recurso da Amazon (ARN) da imagem de distribuição de IA. SageMaker Você pode fornecer a versão mais recente da imagem de distribuição de SageMaker IA especificando um `sagemaker-distribution-cpu` ou `sagemaker-distribution-gpu` como o identificador do recurso.
Para excluir o JupyterLab aplicativo, execute o seguinte comando:
```
aws sagemaker delete-app \
--domain-id your-user's-domain-id
--app-type JupyterLab \
--app-name default \
--space-name name-of-your-user's-space
```
Para atualizar o espaço do usuário, execute o seguinte comando:
```
aws sagemaker update-space \
--space-name name-of-your-user's-space \
--domain-id your-user's-domain-id
```
Se você atualizou o espaço com sucesso, verá o ARN do espaço na resposta:
```
{
"SpaceArn": "arn:aws:sagemaker:Região da AWS:111122223333:space/your-user's-domain-id/name-of-your-user's-space"
}
```
Para executar a aplicação, execute o seguinte comando:
```
aws sagemaker create-app \
--domain-id your-user's-domain-id \
--app-type JupyterLab \
--app-name default \
--space-name name-of-your-user's-space \
--resource-spec "InstanceType=instance-type,SageMakerImageArn=arn:aws:sagemaker:Região da AWS:555555555555:image/sagemaker-distribution-resource-identifier"
```
# Excluir recursos não utilizados
Para evitar custos adicionais de execução JupyterLab, recomendamos excluir os recursos não utilizados na seguinte ordem:
1. JupyterLab aplicações
1. Espaços
1. Perfis de usuário
1. domínios
Use os seguintes comandos AWS Command Line Interface (AWS CLI) para excluir recursos em um domínio:
------
#### [ Delete a JupyterLab application ]
```
aws --region Região da AWS sagemaker delete-app --domain-id example-domain-id --app-name default --app-type JupyterLab --space-name example-space-name
```
------
#### [ Delete a space ]
**Importante**
Se você excluir um espaço, excluirá o volume do Amazon EBS associado a ele. Recomendamos fazer backup de todos os dados valiosos antes de excluir seu espaço.
```
aws --region Região da AWS sagemaker delete-space --domain-id example-domain-id --space-name example-space-name
```
------
#### [ Delete a user profile ]
```
aws --region Região da AWS sagemaker delete-user-profile --domain-id example-domain-id --user-profile example-user-profile
```
------
# Cotas
JupyterLab, tem cotas para o seguinte:
+ A soma de todos os volumes do Amazon EBS em uma Conta da AWS.
+ Os tipos de instância disponíveis para seus usuários.
+ O número de instâncias de uma determinada instância que seus usuários podem iniciar.
Para mais armazenamento e computação para seus usuários, solicite um aumento em suas cotas da AWS . Para obter mais informações sobre como solicitar um aumento de cota, consulte os [endpoints e cotas do Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html).
# Instâncias de SageMaker notebook da Amazon
Uma instância de SageMaker notebook da Amazon é uma instância computacional de aprendizado de máquina (ML) que executa o aplicativo Jupyter Notebook. Uma das melhores maneiras de os profissionais de machine learning (ML) usarem a Amazon SageMaker AI é treinar e implantar modelos de ML usando instâncias de SageMaker notebook. As instâncias do SageMaker notebook ajudam a criar o ambiente iniciando os servidores Jupyter no Amazon Elastic Compute Cloud (Amazon EC2) e fornecendo kernels pré-configurados com os seguintes pacotes: SageMaker Amazon AWS SDK para Python (Boto3) Python AWS Command Line Interface SDK,, (), Conda, Pandas AWS CLI, bibliotecas de estruturas de aprendizado profundo e outras bibliotecas para ciência de dados e aprendizado de máquina.
Use os cadernos Jupyter em sua instância de caderno para:
+ preparar e processar dados;
+ escrever código para treinar modelos;
+ implantar modelos SageMaker na hospedagem
+ testar ou validar modelos.
Para obter informações sobre preços com a instância de SageMaker notebook da Amazon, consulte [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
## Manutenção
SageMaker A IA atualiza o software subjacente para Amazon SageMaker Notebook Instances pelo menos uma vez a cada 90 dias. Algumas atualizações de manutenção, como atualizações do sistema operacional, podem exigir que sua aplicação fique offline por um curto período de tempo. Não é possível realizar nenhuma operação durante esse período enquanto o software subjacente está sendo atualizado. Recomendamos que você reinicie seus cadernos pelo menos uma vez a cada 30 dias para consumir automaticamente os patches.
Se a instância do notebook não estiver atualizada e estiver executando um software não seguro, a SageMaker IA poderá atualizar periodicamente a instância como parte da manutenção regular. Durante essas atualizações, os dados fora da pasta `/home/ec2-user/SageMaker` não são mantidos.
Para obter mais informações, entre em contato com o [AWS Support](https://aws.amazon.com/premiumsupport/).
## Machine Learning com o SageMaker Python SDK
Para treinar, validar, implantar e avaliar um modelo de ML em uma instância de SageMaker notebook, use o SDK do SageMaker Python. Os resumos AWS SDK para Python (Boto3) e as operações de SageMaker API do SDK do Python. SageMaker Ele permite que você integre e orquestre outros AWS serviços, como o Amazon Simple Storage Service (Amazon S3) para salvar dados e artefatos do modelo, o Amazon Elastic Container Registry (ECR) para importar e fazer a manutenção dos modelos de ML e o Amazon Elastic Compute Cloud (Amazon EC2) para treinamento e inferência.
Você também pode aproveitar os recursos de SageMaker IA que ajudam você a lidar com cada estágio de um ciclo completo de ML: rotulagem de dados, pré-processamento de dados, treinamento de modelos, implantação de modelos, avaliação do desempenho de previsão e monitoramento da qualidade do modelo em produção.
Se você é um usuário de SageMaker IA pela primeira vez, recomendamos que você use o SDK do SageMaker Python, seguindo end-to-end o tutorial de ML. Para encontrar a documentação de código aberto, consulte o [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) SDK.
**Topics**
+ [Manutenção](#nbi-maintenance)
+ [Machine Learning com o SageMaker Python SDK](#gs-ml-with-sagemaker-pysdk)
+ [Tutorial para criar modelos com instâncias de caderno](gs-console.md)
+ [AL2023 instâncias de notebook](nbi-al2023.md)
+ [Instâncias de caderno do Amazon Linux 2](nbi-al2.md)
+ [JupyterLab controle de versão](nbi-jl.md)
+ [Crie uma instância de SageMaker notebook da Amazon](howitworks-create-ws.md)
+ [Acessar instâncias de caderno](howitworks-access-ws.md)
+ [Atualizar uma instância de caderno](nbi-update.md)
+ [Personalização de uma instância de SageMaker notebook usando um script LCC](notebook-lifecycle-config.md)
+ [Definir o kernel do caderno](howitworks-set-kernel.md)
+ [Repositórios Git com SageMaker instâncias do AI Notebook](nbi-git-repo.md)
+ [Metadados de instância de caderno](nbi-metadata.md)
+ [Monitore os registros do Jupyter no Amazon Logs CloudWatch](jupyter-logs.md)
# Tutorial para criar modelos com instâncias de caderno
Este tutorial de introdução explica como criar uma instância de notebook, abrir um SageMaker notebook Jupyter com um kernel pré-configurado com o ambiente Conda para aprendizado de máquina e iniciar uma sessão de SageMaker IA para executar um ciclo de ML. end-to-end Você aprenderá a salvar um conjunto de dados em um bucket padrão do Amazon S3 emparelhado automaticamente com SageMaker a sessão de IA, enviar um trabalho de treinamento de um modelo de ML para o Amazon EC2 e implantar o modelo treinado para previsão por hospedagem ou inferência em lote por meio do Amazon EC2.
Este tutorial mostra explicitamente um fluxo completo de ML de treinamento do XGBoost modelo a partir do pool de modelos integrado de SageMaker IA. Você usa o [conjunto de dados do Censo de Adultos dos EUA](https://archive.ics.uci.edu/ml/datasets/adult) e avalia o desempenho do XGBoost modelo de SageMaker IA treinado na previsão da renda dos indivíduos.
+ [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) — O [XGBoost](https://xgboost.readthedocs.io/en/latest/)modelo é adaptado ao ambiente de SageMaker IA e pré-configurado como contêineres Docker. SageMaker A IA fornece um conjunto de [algoritmos integrados](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html) que estão preparados para usar os recursos de SageMaker IA. Para saber mais sobre quais algoritmos de ML são adaptados à SageMaker IA, consulte [Escolha um algoritmo](https://docs.aws.amazon.com/sagemaker/latest/dg/algorithms-choose.html) e [use os algoritmos SageMaker integrados da Amazon](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html). Para as operações de API do algoritmo integrado de SageMaker IA, consulte [Algoritmos primários](https://sagemaker.readthedocs.io/en/stable/algorithms/index.html) no SDK do [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
+ [Conjunto de dados do Censo de Adultos](https://archive.ics.uci.edu/ml/datasets/adult): O conjunto de dados do [banco de dados do Censo de 1994](http://www.census.gov/en.html), de Ronny Kohavi e Barry Becker (Mineração de dados e Visualização, Gráficos do chip). O XGBoost modelo de SageMaker IA é treinado usando esse conjunto de dados para prever se um indivíduo ganha mais de \$150.000 por ano ou menos.
**Topics**
+ [Crie uma instância do Amazon SageMaker Notebook para o tutorial](gs-setup-working-env.md)
+ [Crie um notebook Jupyter na instância do SageMaker notebook](ex1-prepare.md)
+ [Preparar conjuntos de dados](ex1-preprocess-data.md)
+ [Treinar um modelo](ex1-train-model.md)
+ [Implantar o modelo do Amazon EC2](ex1-model-deployment.md)
+ [Como avaliar o modelo](ex1-test-model.md)
+ [Limpe os recursos da instância de SageMaker notebook da Amazon](ex1-cleanup.md)
# Crie uma instância do Amazon SageMaker Notebook para o tutorial
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Uma instância de SageMaker notebook da Amazon é uma instância de computação totalmente gerenciada de aprendizado de máquina (ML) do Amazon Elastic Compute Cloud (Amazon EC2). Uma instância de SageMaker notebook da Amazon executa o aplicativo Jupyter Notebook. Use a instância de caderno para criar e gerenciar os cadernos Jupyter e para processar dados e treinar e implantar modelos de ML.
**Para criar uma instância de SageMaker notebook**
![\[Captura de tela animada que mostra como criar uma instância de SageMaker notebook.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-create-instance.gif)
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Escolha **Instâncias de caderno** e, em seguida, escolha **Criar instância de caderno**.
1. Na página **Criar instância de caderno**, forneça as seguintes informações (se um campo não for mencionado, deixe os valores padrão):
1. Em **Nome da instância de caderno**, digite um nome para a sua instância de caderno.
1. Em **Tipo de instância de caderno**, escolha `ml.t2.medium`. Esse é o tipo de instância mais barato com compatibilidade com as instâncias do caderno, e é suficiente para este exercício. Se um tipo de instância `ml.t2.medium` não estiver disponível na sua região atual da AWS , escolha `ml.t3.medium`.
1. Em **Identificador da Plataforma**, escolha um tipo de plataforma para criar a instância do caderno. Esse tipo de plataforma define o sistema operacional e a JupyterLab versão com a qual sua instância do notebook é criada. A versão mais recente e recomendada é `notebook-al2023-v1` para uma instância de notebook Amazon Linux 2023. Para obter informações sobre os tipos de identificadores de plataforma, consulte [AL2023 instâncias de notebook](nbi-al2023.md) [Instâncias de caderno do Amazon Linux 2](nbi-al2.md) e. Para obter informações sobre JupyterLab versões, consulte[JupyterLab controle de versão](nbi-jl.md).
1. Para o perfil** do IAM**, escolha **Criar uma nova função** e, em seguida, escolha **Criar função**. Esse perfil do IAM recebe automaticamente permissões para acessar qualquer bucket do S3 que tenha `sagemaker` no nome. Ela obtém essas permissões por meio da `AmazonSageMakerFullAccess` política, que a SageMaker IA atribui à função.
**nota**
Se você quiser conceder permissão ao perfil do IAM para acessar buckets do S3 sem `sagemaker` no nome, você precisa anexar a `S3FullAccess` política. Você também pode limitar as permissões para buckets S3 específicos para o perfil do IAM. Para obter mais informações e exemplos de como adicionar políticas de bucket à perfil do IAM, consulte [Exemplos de políticas de bucket](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-bucket-policies.html).
1. Escolha **Criar instância de caderno**.
Em alguns minutos, a SageMaker IA inicia uma instância de notebook e anexa um volume de armazenamento de 5 GB do Amazon EBS a ela. A instância do notebook tem um servidor de notebook Jupyter pré-configurado, bibliotecas de SageMaker IA e AWS SDK e um conjunto de bibliotecas Anaconda.
Para obter mais informações sobre como criar uma instância de SageMaker notebook, consulte [Criar uma instância de notebook](https://docs.aws.amazon.com/sagemaker/latest/dg/howitworks-create-ws.html).
## (Opcional) Alterar as configurações da instância do SageMaker notebook
Para alterar o tipo de instância de computação de ML ou o tamanho do armazenamento Amazon EBS de uma instância de notebook com SageMaker IA, edite as configurações da instância do notebook.
**Para alterar e atualizar o tipo de instância do SageMaker Notebook e o volume do EBS**
1. Na página de **instâncias do Notebook** no console SageMaker AI, escolha sua instância do notebook.
1. Escolha **Ações**, escolha **Interromper** e aguarde até que a instância de caderno pare totalmente.
1. Depois que o status da instância de caderno mudar para **Parada**, escolha **Ações** e, em seguida, selecione **Atualizar configurações**.
![\[Captura de tela animada que mostra como atualizar as configurações da instância do SageMaker notebook.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-update-instance.gif)
1. Para o **tipo de instância de caderno**, escolha um tipo de instância de ML diferente.
1. Para **Tamanho do volume em GB**, digite um número inteiro diferente para especificar um novo tamanho do volume do EBS.
**nota**
Os volumes de armazenamento do EBS são criptografados, então a SageMaker IA não pode determinar a quantidade de espaço livre disponível no volume. Por isso, você pode aumentar o tamanho do volume ao atualizar uma instância do caderno, mas não pode diminuir o tamanho do volume. Se você deseja diminuir o tamanho do volume de armazenamento do ML em uso, crie uma nova instância do caderno com o tamanho desejado.
1. Na parte inferior da página, escolha **Atualizar instância de caderno**.
1. Quando a atualização estiver concluída, **inicie** a instância de caderno com as novas configurações.
Para obter mais informações sobre como atualizar as configurações da instância do SageMaker notebook, consulte [Atualizar uma instância do notebook](https://docs.aws.amazon.com/sagemaker/latest/dg/nbi-update.html).
## (Opcional) Configurações avançadas para instâncias de SageMaker notebook
O vídeo tutorial a seguir mostra como configurar e usar instâncias de SageMaker notebook por meio do console de SageMaker IA. Ele inclui opções avançadas, como configuração do ciclo de vida da SageMaker IA e importação GitHub de repositórios. (Duração: 26:04)
[](http://www.youtube.com/watch?v=https://www.youtube.com/embed/X5CLunIzj3U)
Para obter a documentação completa sobre a instância de SageMaker notebook, consulte [Usar instâncias de SageMaker notebook da Amazon](https://docs.aws.amazon.com/sagemaker/latest/dg/nbi.html).
# Crie um notebook Jupyter na instância do SageMaker notebook
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Para começar a criar scripts para treinar e implantar seu modelo, crie um notebook Jupyter na instância do notebook. SageMaker Usando o notebook Jupyter, você pode executar experimentos de aprendizado de máquina (ML) para treinamento e inferência enquanto usa os recursos de SageMaker IA e a infraestrutura. AWS
**Como criar um caderno Jupyter**
![\[Captura de tela animada que mostra como criar um notebook Jupyter na instância do notebook SageMaker AI.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-create-notebook.gif)
1. Abra a instância de caderno como segue:
1. Faça login no console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Na página **Instâncias do Caderno**, abra sua instância do caderno escolhendo uma das seguintes opções:
+ **Aberto JupyterLab** para a JupyterLab interface
+ **Abra o Jupyter** para a visualização clássica do Jupyter
**nota**
Se o status da Instância de cadernos mostrar **Pendente** na coluna **Status**, seu caderno ainda está sendo criado. O status mudará para **InService**quando a instância do notebook estiver pronta para uso.
1. Crie um caderno da seguinte forma:
+ Se você abriu o notebook na JupyterLab exibição, no menu **Arquivo**, escolha **Novo** e, em seguida, escolha **Notebook**. Em **Selecionar Kernel**, escolha **conda\$1python3**. Este ambiente pré-instalado inclui a instalação padrão da Anaconda e o Python 3.
+ Se você abriu o caderno no modo de exibição clássico do Jupyter, na guia **Arquivos**, escolha **Novo** e, em seguida, escolha **conda\$1python3**. Este ambiente pré-instalado inclui a instalação padrão da Anaconda e o Python 3.
1. Salve os cadernos da seguinte forma:
+ Na JupyterLab exibição, escolha **Arquivo**, escolha **Salvar caderno como...** e, em seguida, renomeie o notebook.
+ Na visualização clássica do Jupyter, escolha **Arquivo**, escolha **Salvar caderno como...** e, em seguida, renomeie o caderno.
# Preparar conjuntos de dados
Nesta etapa, você carrega o [conjunto de dados do Adult Census](https://archive.ics.uci.edu/ml/datasets/adult) em sua instância de notebook usando a biblioteca SHAP (SHapley Additive Explanations), analisa o conjunto de dados, o transforma e o carrega no Amazon S3. O SHAP é uma abordagem teórica dos jogos para explicar o resultado de qualquer modelo de machine learning. Para obter mais informações sobre o SHAP, consulte a [documentação de boas-vindas ao SHAP](https://shap.readthedocs.io/en/latest/).
Para executar o exemplo a seguir, cole o código de amostra em uma célula na sua instância de caderno.
## Carregar conjunto de dados do censo de adultos usando SHAP
Usando a biblioteca SHAP, importe o conjunto de dados do Censo de Adultos conforme mostrado a seguir:
```
import shap
X, y = shap.datasets.adult()
X_display, y_display = shap.datasets.adult(display=True)
feature_names = list(X.columns)
feature_names
```
**nota**
Se o kernel atual do Jupyter não tiver a biblioteca SHAP, instale-a executando o seguinte comando `conda`:
```
%conda install -c conda-forge shap
```
Se estiver usando JupyterLab, você deve atualizar manualmente o kernel após a conclusão da instalação e das atualizações. Execute o IPython script a seguir para desligar o kernel (o kernel será reiniciado automaticamente):
```
import IPython
IPython.Application.instance().kernel.do_shutdown(True)
```
O objeto de lista `feature_names` deve retornar a seguinte lista de atributos:
```
['Age',
'Workclass',
'Education-Num',
'Marital Status',
'Occupation',
'Relationship',
'Race',
'Sex',
'Capital Gain',
'Capital Loss',
'Hours per week',
'Country']
```
**dica**
Se você está começando com dados não rotulados, você pode usar o Amazon SageMaker Ground Truth para criar um fluxo de trabalho de rotulagem de dados em minutos. Para saber mais, consulte [Dados de rótulos](https://docs.aws.amazon.com/sagemaker/latest/dg/data-label.html).
## Visão geral do conjunto de dados
Execute o script a seguir para exibir a visão geral estatística do conjunto de dados e os histogramas dos atributos numéricos.
```
display(X.describe())
hist = X.hist(bins=30, sharey=True, figsize=(20, 10))
```
![\[Visão geral do conjunto de dados do Censo de Adultos.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-1.png)
**dica**
Se você quiser usar um conjunto de dados que precisa ser limpo e transformado, você pode simplificar e agilizar o pré-processamento de dados e a engenharia de recursos usando o Amazon SageMaker Data Wrangler. Para saber mais, consulte [Preparar dados de ML com o Amazon SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html).
## Divida o conjunto de dados em treinamento, validação e teste
Usando o Sklearn, divida o conjunto de dados em um conjunto de treinamento e um conjunto de testes. O conjunto de treinamento é usado para treinar o modelo, enquanto o conjunto de teste é usado para avaliar o desempenho do modelo final treinado. O conjunto de dados é classificado aleatoriamente com a semente aleatória fixa: 80% do conjunto de dados para o conjunto de treinamento e 20% para um conjunto de teste.
```
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)
X_train_display = X_display.loc[X_train.index]
```
Divida o conjunto de treinamento para separar um conjunto de validação. O conjunto de validação é usado para avaliar o desempenho do modelo treinado enquanto ajusta os hiperparâmetros do modelo. 75% do conjunto de treinamento se torna o conjunto de treinamento final e o restante é o conjunto de validação.
```
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.25, random_state=1)
X_train_display = X_display.loc[X_train.index]
X_val_display = X_display.loc[X_val.index]
```
Usando o pacote pandas, alinhe explicitamente cada conjunto de dados concatenando os atributos numéricos com os rótulos verdadeiros.
```
import pandas as pd
train = pd.concat([pd.Series(y_train, index=X_train.index,
name='Income>50K', dtype=int), X_train], axis=1)
validation = pd.concat([pd.Series(y_val, index=X_val.index,
name='Income>50K', dtype=int), X_val], axis=1)
test = pd.concat([pd.Series(y_test, index=X_test.index,
name='Income>50K', dtype=int), X_test], axis=1)
```
Verifique se o conjunto de dados está dividido e estruturado conforme o esperado:
```
train
```
![\[O conjunto de dados de treinamento de exemplo.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-train.png)
```
validation
```
![\[O conjunto de dados de validação.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-validation.png)
```
test
```
![\[O conjunto de dados de teste de exemplo.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-test.png)
## Converter os conjuntos de dados de treinamento e validação em arquivos CSV
Converta os objetos `train` e o `validation` dataframe em arquivos CSV para corresponder ao formato do arquivo de entrada do algoritmo. XGBoost
```
# Use 'csv' format to store the data
# The first column is expected to be the output column
train.to_csv('train.csv', index=False, header=False)
validation.to_csv('validation.csv', index=False, header=False)
```
## Carregar os conjuntos de dados no Amazon S3
Usando a SageMaker IA e o Boto3, faça o upload dos conjuntos de dados de treinamento e validação para o bucket padrão do Amazon S3. Os conjuntos de dados no bucket do S3 serão usados por uma instância otimizada para computação no SageMaker Amazon EC2 para treinamento.
O código a seguir configura o URI padrão do bucket do S3 para sua sessão atual de SageMaker IA, cria uma nova `demo-sagemaker-xgboost-adult-income-prediction` pasta e carrega os conjuntos de dados de treinamento e validação na subpasta. `data`
```
import sagemaker, boto3, os
bucket = sagemaker.Session().default_bucket()
prefix = "demo-sagemaker-xgboost-adult-income-prediction"
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'data/train.csv')).upload_file('train.csv')
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'data/validation.csv')).upload_file('validation.csv')
```
Execute o seguinte AWS CLI para verificar se os arquivos CSV foram carregados com sucesso no bucket do S3.
```
! aws s3 ls {bucket}/{prefix}/data --recursive
```
Essa saída deve retornar o seguinte resultado:
![\[Saída do comando da CLI para verificar os conjuntos de dados no bucket do S3.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-3.png)
# Treinar um modelo
Nesta etapa, você escolhe um algoritmo de treinamento e executa um trabalho de treinamento para o modelo. O [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) fornece estimadores de estrutura e estimadores genéricos para treinar seu modelo enquanto orquestra o ciclo de vida do aprendizado de máquina (ML), acessando os SageMaker recursos de IA para treinamento e as infraestruturas, como Amazon AWS Elastic Container Registry (Amazon ECR), Amazon Elastic Compute Cloud (Amazon EC2), Amazon Simple Storage Service (Amazon Simple Storage Service (Amazon S3). Para obter mais informações sobre estimadores de estrutura integrados de SageMaker IA, consulte [Frameworks](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html) na documentação do Amazon [Python SageMaker SDK](https://sagemaker.readthedocs.io/en/stable). Para obter mais informações sobre algoritmos integrados, consulte [Algoritmos integrados e modelos pré-treinados na Amazon SageMaker](algos.md).
**Topics**
+ [Escolha do algoritmo de treinamento](#ex1-train-model-select-algorithm)
+ [Criar e executar um trabalho de treinamento](#ex1-train-model-sdk)
## Escolha do algoritmo de treinamento
Para escolher o algoritmo certo para seu conjunto de dados, você normalmente precisa avaliar modelos diferentes para encontrar os modelos mais adequados aos seus dados. Para simplificar, o algoritmo [XGBoost algoritmo com Amazon SageMaker AI](xgboost.md) integrado de SageMaker IA é usado ao longo deste tutorial sem a pré-avaliação dos modelos.
**dica**
Se você quiser que a SageMaker IA encontre um modelo apropriado para seu conjunto de dados tabular, use o Amazon SageMaker Autopilot, que automatiza uma solução de aprendizado de máquina. Para obter mais informações, consulte [SageMaker Piloto automático](autopilot-automate-model-development.md).
## Criar e executar um trabalho de treinamento
Depois de descobrir qual modelo usar, comece a criar um estimador de SageMaker IA para treinamento. Este tutorial usa o algoritmo XGBoost incorporado para o estimador genérico de SageMaker IA.
**Como executar uma tarefa de treinamento de modelo**
1. Importe o [SDK do Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) e comece recuperando as informações básicas da sua sessão atual de IA. SageMaker
```
import sagemaker
region = sagemaker.Session().boto_region_name
print("AWS Region: {}".format(region))
role = sagemaker.get_execution_role()
print("RoleArn: {}".format(role))
```
Isso retorna as informações a seguir:
+ `region`— A AWS região atual em que a instância do notebook SageMaker AI está sendo executada.
+ `role`: o perfil do IAM usada pela instância de caderno.
**nota**
Verifique a versão do SDK do SageMaker Python executando. `sagemaker.__version__` Este tutorial é baseado em `sagemaker>=2.20`. Se o SDK estiver desatualizado, instale a versão mais recente executando o seguinte comando:
```
! pip install -qU sagemaker
```
Se você executar essa instalação nas instâncias existentes do SageMaker Studio ou do notebook, precisará atualizar manualmente o kernel para concluir a aplicação da atualização da versão.
1. Crie um XGBoost estimador usando a `sagemaker.estimator.Estimator` classe. No código de exemplo a seguir, o XGBoost estimador é nomeado. `xgb_model`
```
from sagemaker.debugger import Rule, ProfilerRule, rule_configs
from sagemaker.session import TrainingInput
s3_output_location='s3://{}/{}/{}'.format(bucket, prefix, 'xgboost_model')
container=sagemaker.image_uris.retrieve("xgboost", region, "1.2-1")
print(container)
xgb_model=sagemaker.estimator.Estimator(
image_uri=container,
role=role,
instance_count=1,
instance_type='ml.m4.xlarge',
volume_size=5,
output_path=s3_output_location,
sagemaker_session=sagemaker.Session(),
rules=[
Rule.sagemaker(rule_configs.create_xgboost_report()),
ProfilerRule.sagemaker(rule_configs.ProfilerReport())
]
)
```
Para construir o estimador de SageMaker IA, especifique os seguintes parâmetros:
+ `image_uri`: especifique o URI da imagem de contêiner de treinamento. Neste exemplo, o URI do contêiner de XGBoost treinamento de SageMaker IA é especificado usando`sagemaker.image_uris.retrieve`.
+ `role`— A função AWS Identity and Access Management (IAM) que a SageMaker IA usa para realizar tarefas em seu nome (por exemplo, ler resultados de treinamento, chamar artefatos de modelos do Amazon S3 e gravar resultados de treinamento no Amazon S3).
+ `instance_count` e `instance_type`: o tipo e o número de instâncias de computação ML do Amazon EC2 a serem usadas no treinamento de modelo. Para este exercício de treinamento, você usa uma única instância `ml.m4.xlarge`, que tem 4 CPUs, 16 GB de memória, um armazenamento Amazon Elastic Block Store (Amazon EBS) e um alto desempenho de rede. Para obter mais informações sobre os tipos de instância de computação EC2, consulte [Tipos de instância do Amazon EC2](https://aws.amazon.com/ec2/instance-types/). Para obter mais informações sobre faturamento, consulte os [ SageMaker preços da Amazon](https://aws.amazon.com/sagemaker/pricing/).
+ `volume_size`: o tamanho, em GB, do volume de armazenamento do EBS para anexar à instância de treinamento. Ela deve ser grande o suficiente para armazenar dados de treinamento se você usar o modo `File` (o modo `File` está ligado por padrão). Se você não especificar esse parâmetro, o seu valor será 30 por padrão.
+ `output_path`— O caminho para o bucket S3, onde a SageMaker IA armazena o artefato do modelo e os resultados do treinamento.
+ `sagemaker_session`— O objeto de sessão que gerencia as interações com as operações SageMaker da API e outros AWS serviços que o trabalho de treinamento usa.
+ `rules`— Especifique uma lista de regras integradas do SageMaker Debugger. Neste exemplo, a `create_xgboost_report()` regra cria um XGBoost relatório que fornece informações sobre o progresso e os resultados do treinamento, e a `ProfilerReport()` regra cria um relatório sobre a utilização dos recursos computacionais do EC2. Para obter mais informações, consulte [SageMaker Relatório interativo do depurador para XGBoost](debugger-report-xgboost.md).
**dica**
Se você quiser executar um treinamento distribuído de modelos de aprendizado profundo de grande porte, como modelos de redes neurais convolucionais (CNN) e de processamento de linguagem natural (NLP), use o SageMaker AI Distributed para paralelismo de dados ou paralelismo de modelos. Para obter mais informações, consulte [Treinamento distribuído na Amazon SageMaker AI](distributed-training.md).
1. Defina os hiperparâmetros do XGBoost algoritmo chamando o `set_hyperparameters` método do estimador. Para obter uma lista completa dos XGBoost hiperparâmetros, consulte[XGBoost hiperparâmetros](xgboost_hyperparameters.md).
```
xgb_model.set_hyperparameters(
max_depth = 5,
eta = 0.2,
gamma = 4,
min_child_weight = 6,
subsample = 0.7,
objective = "binary:logistic",
num_round = 1000
)
```
**dica**
Você também pode ajustar os hiperparâmetros usando o recurso de otimização de hiperparâmetros de SageMaker IA. Para obter mais informações, consulte [Ajuste automático do modelo com SageMaker IA](automatic-model-tuning.md).
1. Use a classe `TrainingInput` para configurar um fluxo de entrada de dados para treinamento. O código de exemplo a seguir mostra como configurar objetos `TrainingInput` para usar os conjuntos de dados de treinamento e validação que você enviou para o Amazon S3 na seção [Divida o conjunto de dados em treinamento, validação e teste](ex1-preprocess-data.md#ex1-preprocess-data-transform).
```
from sagemaker.session import TrainingInput
train_input = TrainingInput(
"s3://{}/{}/{}".format(bucket, prefix, "data/train.csv"), content_type="csv"
)
validation_input = TrainingInput(
"s3://{}/{}/{}".format(bucket, prefix, "data/validation.csv"), content_type="csv"
)
```
1. Para iniciar o treinamento do modelo, chame o método `fit` do estimador com os conjuntos de dados de treinamento e validação. Ao configurar `wait=True`, o método `fit` exibe os logs de progresso e aguarda o treinamento ser concluído para retornar os resultados.
```
xgb_model.fit({"train": train_input, "validation": validation_input}, wait=True)
```
Para obter mais informações sobre treinamento de modelo, consulte [Treine um modelo com a Amazon SageMaker](how-it-works-training.md). Esse trabalho de treinamento tutorial pode levar até 10 minutos.
Depois que o trabalho de treinamento for concluído, você poderá baixar um relatório de XGBoost treinamento e um relatório de criação de perfil gerados pelo SageMaker Debugger. O relatório de XGBoost treinamento oferece informações sobre o progresso e os resultados do treinamento, como a função de perda em relação à iteração, importância do recurso, matriz de confusão, curvas de precisão e outros resultados estatísticos do treinamento. Por exemplo, você pode encontrar a seguinte curva de perda no relatório de XGBoost treinamento, que indica claramente que há um problema de sobreajuste.
![\[O gráfico no relatório XGBoost de treinamento.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-train-loss-curve-validation-overfitting.png)
Execute o código a seguir para especificar o URI do bucket do S3 em que os relatórios de treinamento do Depurador são gerados e verifique se os relatórios existem.
```
rule_output_path = xgb_model.output_path + "/" + xgb_model.latest_training_job.job_name + "/rule-output"
! aws s3 ls {rule_output_path} --recursive
```
Baixe os relatórios de XGBoost treinamento e criação de perfil do Debugger para o espaço de trabalho atual:
```
! aws s3 cp {rule_output_path} ./ --recursive
```
Execute o IPython script a seguir para obter o link do arquivo do relatório de XGBoost treinamento:
```
from IPython.display import FileLink, FileLinks
display("Click link below to view the XGBoost Training report", FileLink("CreateXgboostReport/xgboost_report.html"))
```
O script IPython a seguir retorna o link do arquivo do relatório de criação de perfil do Depurador, que mostra resumos e detalhes da utilização de recursos da instância EC2, dos resultados da detecção de gargalos do sistema e dos resultados da criação de perfil da operação do python:
```
profiler_report_name = [rule["RuleConfigurationName"]
for rule in xgb_model.latest_training_job.rule_job_summary()
if "Profiler" in rule["RuleConfigurationName"]][0]
profiler_report_name
display("Click link below to view the profiler report", FileLink(profiler_report_name+"/profiler-output/profiler-report.html"))
```
**dica**
Se os relatórios HTML não renderizarem gráficos na JupyterLab exibição, você deverá escolher **Confiar em HTML** na parte superior dos relatórios.
Para identificar problemas de treinamento, como sobreajuste, redução de gradientes e outros problemas que impedem a convergência do modelo, use o SageMaker Debugger e execute ações automatizadas ao criar protótipos e treinar seus modelos de ML. Para obter mais informações, consulte [SageMaker Depurador Amazon](train-debugger.md). Para encontrar uma análise completa dos parâmetros do modelo, consulte o caderno de exemplo de [explicabilidade com o Amazon SageMaker Debugger](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/xgboost_census_explanations/xgboost-census-debugger-rules.html#Explainability-with-Amazon-SageMaker-Debugger).
Agora você tem um XGBoost modelo treinado. SageMaker A IA armazena o artefato do modelo em seu bucket do S3. Para encontrar a localização do artefato do modelo, execute o código a seguir para imprimir o atributo model\$1data do estimador `xgb_model`:
```
xgb_model.model_data
```
**dica**
Para medir os vieses que podem ocorrer durante cada estágio do ciclo de vida do ML (coleta de dados, treinamento e ajuste de modelos e monitoramento de modelos de ML implantados para previsão), use o Clarify. SageMaker Para obter mais informações, consulte [Explicabilidade do modelo](clarify-model-explainability.md). Para ver um end-to-end exemplo, consulte o caderno de exemplo [Fairness and Explicability with SageMaker Clarify](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-clarify/fairness_and_explainability/fairness_and_explainability.html).
# Implantar o modelo do Amazon EC2
Para obter previsões, implante seu modelo no Amazon EC2 usando o Amazon SageMaker AI.
**Topics**
+ [Implante o modelo nos serviços de hospedagem de SageMaker IA](#ex1-deploy-model)
+ [(Opcional) Use o SageMaker AI Predictor para reutilizar o endpoint hospedado](#ex1-deploy-model-sdk-use-endpoint)
+ [(Opcional) Faça predições com o Transformador de Lotes](#ex1-batch-transform)
## Implante o modelo nos serviços de hospedagem de SageMaker IA
Para hospedar um modelo por meio do Amazon EC2 usando o Amazon SageMaker AI, implante o modelo no qual você treinou [Criar e executar um trabalho de treinamento](ex1-train-model.md#ex1-train-model-sdk) chamando o `deploy` método do `xgb_model` estimador. Ao chamar o método `deploy`, você deve especificar o número e o tipo de instâncias EC2 ML que você deseja usar para hospedar o endpoint.
```
import sagemaker
from sagemaker.serializers import CSVSerializer
xgb_predictor=xgb_model.deploy(
initial_instance_count=1,
instance_type='ml.t2.medium',
serializer=CSVSerializer()
)
```
+ `initial_instance_count` (int): O número de instâncias para implantar o modelo.
+ `instance_type` (str): O tipo de instância em que você deseja operar seu modelo implantado.
+ `serializer`(int) — Serializa dados de entrada de vários formatos (uma NumPy matriz, lista, arquivo ou buffer) em uma string formatada em CSV. Usamos isso porque o XGBoost algoritmo aceita arquivos de entrada no formato CSV.
O `deploy` método cria um modelo implantável, configura o endpoint dos serviços de hospedagem de SageMaker IA e inicia o endpoint para hospedar o modelo. Para obter mais informações, consulte o [método de classe de implantação do Estimator genérico de SageMaker IA no SDK](https://sagemaker.readthedocs.io/en/stable/estimators.html#sagemaker.estimator.Estimator.deploy) do Amazon [Python SageMaker ](https://sagemaker.readthedocs.io/en/stable). Para recuperar o nome do endpoint gerado pelo método `deploy`, execute o seguinte código:
```
xgb_predictor.endpoint_name
```
Isso deve retornar o nome do endpoint do `xgb_predictor`. O formato do nome do endpoint é `"sagemaker-xgboost-YYYY-MM-DD-HH-MM-SS-SSS"`. Esse endpoint permanece ativo na instância de ML e você pode fazer predições instantâneas a qualquer momento, a menos que o desligue posteriormente. Copie o nome desse endpoint e salve-o para reutilizá-lo e fazer previsões em tempo real em outros lugares nas instâncias do SageMaker Studio ou do notebook SageMaker AI.
**dica**
Para saber mais sobre como compilar e otimizar seu modelo para implantação em instâncias ou dispositivos de borda do Amazon EC2, consulte [Compilar e implantar modelos com o Neo](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html).
## (Opcional) Use o SageMaker AI Predictor para reutilizar o endpoint hospedado
Depois de implantar o modelo em um endpoint, você pode configurar um novo preditor de SageMaker IA emparelhando o endpoint e fazendo previsões em tempo real continuamente em qualquer outro notebook. O código de exemplo a seguir mostra como usar a classe SageMaker AI Predictor para configurar um novo objeto preditor usando o mesmo endpoint. Reutilize o nome do endpoint que você usou para o `xgb_predictor`.
```
import sagemaker
xgb_predictor_reuse=sagemaker.predictor.Predictor(
endpoint_name="sagemaker-xgboost-YYYY-MM-DD-HH-MM-SS-SSS",
sagemaker_session=sagemaker.Session(),
serializer=sagemaker.serializers.CSVSerializer()
)
```
O preditor `xgb_predictor_reuse` se comporta exatamente da mesma forma que o `xgb_predictor` original. Para obter mais informações, consulte a classe [SageMaker AI Predictor](https://sagemaker.readthedocs.io/en/stable/predictors.html#sagemaker.predictor.RealTimePredictor) no SDK do [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
## (Opcional) Faça predições com o Transformador de Lotes
Em vez de hospedar um endpoint em produção, você pode executar um trabalho único de inferência em lote para fazer previsões em um conjunto de dados de teste usando a transformação em lote da IA. SageMaker Depois que o treinamento do modelo for concluído, você poderá estender o estimador a um `transformer` objeto, que se baseia na classe [SageMaker AI Transformer](https://sagemaker.readthedocs.io/en/stable/api/inference/transformer.html). O transformador em lote lê os dados de entrada de um bucket do S3 especificado e faz predições.
**Para executar um trabalho de transformação em lote**
1. Execute o código a seguir para converter as colunas de atributos do conjunto de dados de teste em um arquivo CSV e fazer o upload para o bucket do S3:
```
X_test.to_csv('test.csv', index=False, header=False)
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'test/test.csv')).upload_file('test.csv')
```
1. Especifique o bucket S3 URIs de entrada e saída para o trabalho de transformação em lote, conforme mostrado a seguir:
```
# The location of the test dataset
batch_input = 's3://{}/{}/test'.format(bucket, prefix)
# The location to store the results of the batch transform job
batch_output = 's3://{}/{}/batch-prediction'.format(bucket, prefix)
```
1. Crie um objeto transformador especificando o número mínimo de parâmetros: os parâmetros `instance_count` e `instance_type` para executar o trabalho de transformação em lote e `output_path` para salvar os dados de predição, conforme mostrado a seguir:
```
transformer = xgb_model.transformer(
instance_count=1,
instance_type='ml.m4.xlarge',
output_path=batch_output
)
```
1. Inicie o trabalho de transformação em lote executando o método `transform()` do objeto `transformer` conforme mostrado a seguir:
```
transformer.transform(
data=batch_input,
data_type='S3Prefix',
content_type='text/csv',
split_type='Line'
)
transformer.wait()
```
1. Quando o trabalho de transformação em lote é concluído, a SageMaker IA cria os dados de `test.csv.out` previsão salvos no `batch_output` caminho, que devem estar no seguinte formato:`s3://sagemaker--111122223333/demo-sagemaker-xgboost-adult-income-prediction/batch-prediction`. Execute o seguinte AWS CLI para baixar os dados de saída do trabalho de transformação em lote:
```
! aws s3 cp {batch_output} ./ --recursive
```
Isso deve criar o arquivo `test.csv.out` no diretório de trabalho atual. Você poderá ver os valores flutuantes que são previstos com base na regressão logística do trabalho de treinamento. XGBoost
# Como avaliar o modelo
Agora que você treinou e implantou um modelo usando o Amazon SageMaker AI, avalie o modelo para garantir que ele gere previsões precisas sobre novos dados. Para avaliação de modelos, use o conjunto de dados de teste que você criou em [Preparar conjuntos de dados](ex1-preprocess-data.md).
## Avalie o modelo implantado nos serviços de hospedagem de SageMaker IA
Para avaliar o modelo e usá-lo na produção, invoque o endpoint com o conjunto de dados de teste e verifique se as inferências obtidas retornam a precisão de destino que você deseja alcançar.
**Como avaliar o modelo**
1. Configure a função a seguir para prever cada linha do conjunto de teste. No código de exemplo a seguir, o argumento `rows` é especificar o número de linhas a serem previstas por vez. Você pode alterar o valor para realizar uma inferência em lote que utilize totalmente o recurso de hardware da instância.
```
import numpy as np
def predict(data, rows=1000):
split_array = np.array_split(data, int(data.shape[0] / float(rows) + 1))
predictions = ''
for array in split_array:
predictions = ','.join([predictions, xgb_predictor.predict(array).decode('utf-8')])
return np.fromstring(predictions[1:], sep=',')
```
1. Execute o código a seguir para fazer predições do conjunto de dados de teste e traçar um histograma. Você precisa usar somente as colunas de atributos do conjunto de dados de teste, excluindo a 0ª coluna para os valores reais.
```
import matplotlib.pyplot as plt
predictions=predict(test.to_numpy()[:,1:])
plt.hist(predictions)
plt.show()
```
![\[Um histograma dos valores previstos.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-eval-predicted-values-histogram.png)
1. Os valores previstos são do tipo flutuante. Para determinar `True` ou `False` com base nos valores flutuantes, você precisa definir um valor limite. Conforme mostrado no código de exemplo a seguir, use a biblioteca Scikit-learn para retornar as métricas de confusão de saída e o relatório de classificação com um limite de 0,5.
```
import sklearn
cutoff=0.5
print(sklearn.metrics.confusion_matrix(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0)))
print(sklearn.metrics.classification_report(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0)))
```
Isso deve retornar a seguinte matriz de confusão:
![\[Um exemplo de matriz de confusão e estatística após obter a inferência do modelo implantado.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-evaluate-confusion-matrix.png)
1. Para encontrar o melhor ponto de corte com o conjunto de testes fornecido, calcule a função de perda de log da regressão logística. A função de perda de logs é definida como a probabilidade logarítmica negativa de um modelo logístico que retorna probabilidades de predição para seus rótulos de verdade básica. O código de exemplo a seguir calcula numericamente e iterativamente os valores de perda de log (`-(y*log(p)+(1-y)log(1-p)`), onde `y` está o rótulo verdadeiro e `p` é uma estimativa de probabilidade da amostra de teste correspondente. Ele retorna um gráfico de perda de logs versus corte.
```
import matplotlib.pyplot as plt
cutoffs = np.arange(0.01, 1, 0.01)
log_loss = []
for c in cutoffs:
log_loss.append(
sklearn.metrics.log_loss(test.iloc[:, 0], np.where(predictions > c, 1, 0))
)
plt.figure(figsize=(15,10))
plt.plot(cutoffs, log_loss)
plt.xlabel("Cutoff")
plt.ylabel("Log loss")
plt.show()
```
Isso deve retornar a seguinte: curva de perda de logs.
![\[Exemplo de seguir a curva de perda de logs.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/get-started-ni/gs-ni-evaluate-logloss-vs-cutoff.png)
1. Encontre os pontos mínimos da curva de erro usando as `min` funções NumPy `argmin` e:
```
print(
'Log loss is minimized at a cutoff of ', cutoffs[np.argmin(log_loss)],
', and the log loss value at the minimum is ', np.min(log_loss)
)
```
Isso deve retornar: `Log loss is minimized at a cutoff of 0.53, and the log loss value at the minimum is 4.348539186773897`.
Em vez de computar e minimizar a função de perda de log, você pode estimar uma função de custo como alternativa. Por exemplo, se você quiser treinar um modelo para realizar uma classificação binária para um problema empresarial, como um problema de Predição de fragmentos de clientes, você pode definir pesos para os elementos da matriz de confusão e calcular a função de custo adequadamente.
Agora você treinou, implantou e avaliou seu primeiro modelo em SageMaker IA.
**dica**
Para monitorar a qualidade do modelo, a qualidade dos dados e o desvio de tendências, use o Amazon SageMaker Model Monitor e o SageMaker AI Clarify. Para saber mais, consulte [Amazon SageMaker Model Monitor, Monitore](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html) [Data Quality, Monitore](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-data-quality.html) [Model Quality](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html), [Monitore Bias Drift](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-bias-drift.html) e [Monitore Feature Attribution](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-feature-attribution-drift.html) Drift.
**dica**
Para obter uma análise humana de predições de ML de baixa confiança ou uma amostra aleatória de predições, use os fluxos de trabalho de análise humana com IA aumentada da Amazon. Para obter mais informações, consulte [Usando o Amazon IA aumentada para análise humana](https://docs.aws.amazon.com/sagemaker/latest/dg/a2i-use-augmented-ai-a2i-human-review-loops.html).
# Limpe os recursos da instância de SageMaker notebook da Amazon
Para evitar cobranças desnecessárias, use o Console de gerenciamento da AWS para excluir os endpoints e os recursos que você criou ao executar os exercícios.
**nota**
Os trabalhos e logs de treinamento não podem ser excluídos e são retidos indefinidamente.
**nota**
Se pretende explorar outros exercícios deste guia, convém manter alguns desses recursos, como a instância de caderno, o bucket do S3 e o perfil do IAM.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)e exclua os seguintes recursos:
+ O endpoint. A exclusão do endpoint também exclui a instância de computação de ML ou as instâncias que oferecem apoio a ele.
1. Em **Inferência**, escolha **Endpoints**.
1. Escolha o endpoint que você criou no exemplo, escolha **Ações** e em seguida, escolha **Excluir**.
+ A configuração de endpoint.
1. Em **Inferência**, escolha **Configurações de endpoint**.
1. Escolha a configuração de endpoint que você criou no exemplo, escolha **Ações** e em seguida, escolha **Excluir**.
+ O modelo.
1. Em **Inferência**, escolha **Modelos**.
1. Escolha o modelo que você criou no exemplo, escolha **Ações** e em seguida, escolha **Excluir**.
+ A instância de caderno. Antes de excluir a instância do caderno, interrompa a instância.
1. Em **Caderno**, escolha **Instâncias de caderno**.
1. Escolha a instância de caderno que você criou no exemplo e escolha **Ações**, e em seguida, escolha **Parar**. A instância de caderno leva até vários minutos para ser interrompida. Quando o **Status** for alterado para **Interrompida**, passe para a próxima etapa.
1. Escolha **Ações** e, em seguida, escolha **Excluir**.
1. Abra o console do Amazon S3 em e [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/), em seguida, exclua o bucket que você criou para armazenar artefatos do modelo e o conjunto de dados de treinamento.
1. Abra o CloudWatch console da Amazon em e [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/), em seguida, exclua todos os grupos de registros que têm nomes começando com`/aws/sagemaker/`.
# AL2023 instâncias de notebook
Atualmente, as instâncias de SageMaker notebooks da Amazon oferecem suporte a sistemas AL2023 operacionais. AL2023agora é o sistema operacional mais recente e recomendado para instâncias de notebooks. Você pode selecionar o sistema operacional no qual sua instância de caderno se baseia ao criar a instância de caderno.
SageMaker A IA oferece suporte a instâncias de notebook com base nos seguintes sistemas AL2023 operacionais.
+ **notebook-al2023-v1**: essas instâncias de notebook oferecem suporte à versão 4. JupyterLab Para obter informações sobre JupyterLab versões, consulte[JupyterLab controle de versão](nbi-jl.md).
**Topics**
+ [Tipos de instâncias compatíveis](#nbi-al2023-instances)
+ [Kernels disponíveis](#nbi-al2023-kernel)
## Tipos de instâncias compatíveis
AL2023 oferece suporte aos tipos de instância listados em **Instâncias de Notebook** no [SageMaker AI Pricing](https://aws.amazon.com/sagemaker/pricing/), com a exceção de que AL2023 não oferece suporte a`ml.p2`,`ml.p3`, `ml.g3` instâncias.
## Kernels disponíveis
A tabela a seguir fornece informações sobre os kernels disponíveis para instâncias de SageMaker notebook. Todas essas imagens são suportadas em instâncias de notebook com base no sistema `notebook-al2023-v1` operacional.
| Nome do kernel | Description |
| --- | --- |
| R | Um kernel usado para realizar análise e visualização de dados usando o código R de um caderno Jupyter. |
| Sparkmagic () PySpark | Um kernel usado para fazer ciência de dados com clusters Spark remotos de cadernos Jupyter usando a linguagem de programação Python. Esse kernel vem com o Python 3.10. |
| Sparkmagic (Spark) | Um kernel usado para fazer ciência de dados com clusters Spark remotos de cadernos Jupyter usando a linguagem de programação Scala. Esse kernel vem com o Python 3.10. |
| Sparkmagic (SparkR) | Um kernel usado para fazer ciência de dados com clusters Spark remotos de cadernos Jupyter usando a linguagem de programação R. Esse kernel vem com o Python 3.10. |
| conda\$1python3 | Um ambiente conda que vem pré-instalado com pacotes mais conhecidos para ciência de dados e machine learning. Esse kernel vem com o Python 3.10. |
| conda\$1pytorch | Um ambiente conda que vem pré-instalado com a PyTorch versão 2.7.0, bem como pacotes populares de ciência de dados e aprendizado de máquina. Esse kernel vem com o Python 3.10. |
# Instâncias de caderno do Amazon Linux 2
**Importante**
JupyterLab 1 e JupyterLab 3 não são mais compatíveis desde 30 de junho de 2025. Não é mais possível criar ou reiniciar instâncias de caderno interrompidas usando essas versões. As instâncias em serviço existentes podem continuar funcionando, mas não receberão atualizações de segurança ou correções de bug. Migre para JupyterLab 4 instâncias de notebook para obter suporte contínuo. Para obter mais informações, consulte [JupyterLab manutenção da versão](nbi-jl.md#nbi-jl-version-maintenance).
**nota**
AL2023 é o sistema operacional mais recente e recomendado disponível para instâncias de notebooks. Para saber mais, consulte [AL2023 instâncias de notebook](nbi-al2023.md).
Atualmente, as instâncias de SageMaker notebooks da Amazon oferecem suporte aos sistemas operacionais Amazon Linux 2 (AL2). Você pode selecionar o sistema operacional no qual sua instância de caderno se baseia ao criar a instância de caderno.
SageMaker A IA oferece suporte a instâncias de notebook com base nos seguintes sistemas operacionais Amazon Linux 2.
+ **notebook-al2-v1** (obsoleto): essas instâncias de notebook oferecem suporte à versão 1. JupyterLab Desde 30 de junho de 2025 não é possível criar instâncias com esse identificador de plataforma. Para obter informações sobre JupyterLab versões, consulte[JupyterLab controle de versão](nbi-jl.md).
+ **notebook-al2-v2** (obsoleto): essas instâncias de notebook são compatíveis com a versão 3. JupyterLab Desde 30 de junho de 2025 não é possível criar instâncias com esse identificador de plataforma. Para obter informações sobre JupyterLab versões, consulte[JupyterLab controle de versão](nbi-jl.md).
+ **notebook-al2-v3**: essas instâncias de notebook oferecem suporte à versão 4. JupyterLab Para obter informações sobre JupyterLab versões, consulte[JupyterLab controle de versão](nbi-jl.md).
As instâncias de notebook criadas antes de 18/08/2021 são executadas automaticamente no Amazon Linux (). AL1 As instâncias de notebook baseadas em AL1 entraram em uma fase de manutenção em 12/01/2022 e não estão mais disponíveis para a criação de novas instâncias de notebook a partir de 02/01/2023. Para substituir AL1, agora você tem a opção de criar instâncias de SageMaker notebook da Amazon com AL2. Para obter mais informações, consulte [AL1 Plano da fase de manutenção](#nbi-al2-deprecation).
**Topics**
+ [Tipos de instâncias compatíveis](#nbi-al2-instances)
+ [Kernels disponíveis](#nbi-al2-kernel)
+ [AL1 Plano da fase de manutenção](#nbi-al2-deprecation)
## Tipos de instâncias compatíveis
O Amazon Linux 2 oferece suporte aos tipos de instância listados em **Instâncias de Notebook** na [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/), com a exceção de que o Amazon Linux 2 não oferece suporte a `ml.p2` instâncias.
## Kernels disponíveis
A tabela a seguir fornece informações sobre os kernels disponíveis para instâncias de SageMaker notebook. Todas essas imagens são compatíveis com instâncias de caderno com base nos sistemas operacionais `notebook-al2-v1`, `notebook-al2-v2` e `notebook-al2-v3`.
SageMaker kernels de instância de notebook
| Nome do kernel | Description |
| --- | --- |
| R | Um kernel usado para realizar análise e visualização de dados usando o código R de um caderno Jupyter. |
| Sparkmagic () PySpark | Um kernel usado para fazer ciência de dados com clusters Spark remotos de cadernos Jupyter usando a linguagem de programação Python. Esse kernel vem com o Python 3.10. |
| Sparkmagic (Spark) | Um kernel usado para fazer ciência de dados com clusters Spark remotos de cadernos Jupyter usando a linguagem de programação Scala. Esse kernel vem com o Python 3.10. |
| Sparkmagic (SparkR) | Um kernel usado para fazer ciência de dados com clusters Spark remotos de cadernos Jupyter usando a linguagem de programação R. Esse kernel vem com o Python 3.10. |
| conda\$1python3 | Um ambiente conda que vem pré-instalado com pacotes mais conhecidos para ciência de dados e machine learning. Esse kernel vem com o Python 3.10. |
| conda\$1pytorch\$1p310 | Um ambiente conda que vem pré-instalado com a PyTorch versão 2.2.0, bem como pacotes populares de ciência de dados e aprendizado de máquina. Esse kernel vem com o Python 3.10. |
| conda\$1tensorflow2\$1p310 | Um ambiente conda que vem pré-instalado com a TensorFlow versão 2.16.0, bem como pacotes populares de ciência de dados e aprendizado de máquina. Esse kernel vem com o Python 3.10. |
## AL1 Plano da fase de manutenção
A tabela a seguir é um cronograma de quando AL1 entrou na fase de manutenção estendida. A fase AL1 de manutenção também coincide com a descontinuação do Python 2 e do Chainer. Os notebooks baseados em AL2 não têm kernels gerenciados do Python 2 e do Chainer.
| Data | Description |
| --- | --- |
| 18/08/2021 | Instâncias de notebook baseadas em AL2 são lançadas. As instâncias de notebook recém-lançadas ainda são padronizadas AL1. AL1 é compatível com patches e atualizações de segurança, mas sem novos recursos. Você pode escolher entre os dois sistemas operacionais ao iniciar uma nova instância de caderno. |
| 31/10/2022 | O identificador de plataforma padrão para instâncias de SageMaker notebook muda do Amazon Linux (al1-v1) para o Amazon Linux 2 (al2-v2). Você pode escolher entre os dois sistemas operacionais ao iniciar uma nova instância de caderno. |
| 12/01/2022 | AL1 não é mais compatível com patches e atualizações de segurança não essenciais. AL1 ainda recebe correções para problemas [críticos](https://nvd.nist.gov/vuln-metrics/cvss#) relacionados à segurança. Você ainda pode iniciar instâncias em AL1, mas assumir os riscos associados ao uso de um sistema operacional sem suporte. |
| 02/01/2023 | AL1 não é mais uma opção disponível para a criação de novas instâncias de notebook. Após essa data, os clientes podem criar instâncias de notebook com os identificadores da AL2 plataforma. Os notebooks existentes com um `INSERVICE` status devem ser migrados para a plataforma mais recente, pois a disponibilidade contínua das instâncias do AL1 notebook não pode ser garantida. |
| 31/03/2024 | AL1 chega ao fim da vida útil em instâncias de notebooks em 31 de março de 2024. Após essa data, não AL1 receberá mais atualizações de segurança, correções de bugs ou estará disponível para a criação de novas instâncias de notebook. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/nbi-al2.html) |
### Migração para o Amazon Linux 2
Sua instância de AL1 notebook existente não é migrada automaticamente para o Amazon Linux 2. Para atualizar sua instância de AL1 notebook para o Amazon Linux 2, você deve criar uma nova instância de notebook, replicar seu código e ambiente e excluir sua instância de notebook antiga. Para obter mais informações, consulte o [blog da migração do Amazon Linux 2](https://aws.amazon.com/blogs/machine-learning/migrate-your-work-to-amazon-sagemaker-notebook-instance-with-amazon-linux-2/ ).
# JupyterLab controle de versão
**Importante**
JupyterLab 1 e JupyterLab 3 não são mais compatíveis desde 30 de junho de 2025. Não é mais possível criar ou reiniciar instâncias de caderno interrompidas usando essas versões. As instâncias em serviço existentes podem continuar funcionando, mas não receberão atualizações de segurança ou correções de bug. Migre para JupyterLab 4 instâncias de notebook para obter suporte contínuo. Para obter mais informações, consulte [JupyterLab manutenção da versão](#nbi-jl-version-maintenance).
A interface de instância de SageMaker notebook da Amazon é baseada em JupyterLab, que é um ambiente de desenvolvimento interativo baseado na web para notebooks, códigos e dados. Os notebooks agora suportam o uso de JupyterLab 1, JupyterLab 3 ou JupyterLab 4. Uma única instância do notebook pode executar uma única instância de JupyterLab (no máximo). Você pode ter várias instâncias de notebook com JupyterLab versões diferentes.
Você pode configurar seu notebook para executar sua JupyterLab versão preferida selecionando o identificador de plataforma apropriado. Use o console AWS CLI ou o SageMaker AI ao criar sua instância de notebook. Para obter mais informações sobre identificadores de plataforma, consulte [AL2023 instâncias de notebook](nbi-al2023.md) e. [Instâncias de caderno do Amazon Linux 2](nbi-al2.md) Se você não configurar explicitamente um identificador de plataforma, sua instância do notebook usará como padrão a execução de 1. JupyterLab
**Topics**
+ [JupyterLab manutenção da versão](#nbi-jl-version-maintenance)
+ [JupyterLab 4](#nbi-jl-4)
+ [JupyterLab 3](#nbi-jl-3)
+ [Crie um caderno com sua JupyterLab versão](nbi-jl-create.md)
+ [Veja a JupyterLab versão de um notebook no console](nbi-jl-view.md)
## JupyterLab manutenção da versão
JupyterLab As plataformas 1 e JupyterLab 3 atingiram o fim do suporte padrão em 30 de junho de 2025. A partir dessa data:
+ Você não pode mais criar novas ou reiniciar instâncias de JupyterLab 1 e JupyterLab 3 notebooks interrompidas.
+ As instâncias de JupyterLab 1 e JupyterLab 3 notebooks existentes em serviço podem continuar funcionando, mas não receber mais atualizações de segurança de SageMaker IA ou correções de bugs críticos.
+ Você é responsável por gerenciar a segurança dessas instâncias obsoletas.
+ Se surgirem problemas com JupyterLab 1 ou JupyterLab 3 instâncias de notebook existentes, a SageMaker IA não pode garantir sua disponibilidade contínua. Você deve migrar sua carga de trabalho para uma instância de JupyterLab 4 notebooks.
Migre seu trabalho para JupyterLab 4 instâncias de notebook (o identificador de plataforma da versão mais recente é [notebook-al2023-v1](nbi-al2023.md)) para garantir que você tenha um ambiente seguro e com suporte. Isso permite que você aproveite as versões mais recentes dos notebooks Jupyter e de outras JupyterLab bibliotecas de ML. Para obter instruções, consulte [migrar seu trabalho para uma instância de notebook de SageMaker IA com o Amazon Linux 2](https://aws.amazon.com/blogs//machine-learning/migrate-your-work-to-amazon-sagemaker-notebook-instance-with-amazon-linux-2/).
## JupyterLab 4
JupyterLab O suporte 4 está disponível somente na plataforma do sistema operacional Amazon Linux 2. JupyterLab 4 inclui os seguintes recursos que não estão disponíveis em JupyterLab 3:
+ Renderização otimizada para oferecer uma experiência mais rápida.
+ Configurações opcionais para troca mais rápida de guias e melhor desempenho com cadernos longos. Para obter mais informações, consulte a postagem do blog [ JupyterLab 4.0 is Here](https://blog.jupyter.org/jupyterlab-4-0-is-here-388d05e03442).
+ Editor de texto atualizado.
+ Novo gerenciador de extensões instalado por meio do PyPi.
+ Melhorias adicionadas à interface de usuário, como aprimoramentos na pesquisa de documentos e na acessibilidade.
Você pode executar JupyterLab 4 especificando [notebook-al2023-v1 (a versão mais recente e recomendada) ou notebook-al2-v3](nbi-al2023.md) [como o identificador da plataforma ao criar sua instância de notebook](nbi-al2.md).
**nota**
Se você tentar migrar de outra JupyterLab versão para uma instância de JupyterLab 4 notebooks, as mudanças na versão do pacote entre JupyterLab 3 e JupyterLab 4 podem interromper qualquer configuração ou extensão de ciclo de vida existente. Jupyter/JupyterLab
**Alterações na versão do pacote**
JupyterLab 4 tem as seguintes alterações de versão do pacote em relação à JupyterLab 3:
+ JupyterLab foi atualizado de 3.x para 4.x.
+ O caderno Jupyter foi atualizado de 6.x para 7.x.
+ jupyterlab-git foi atualizado para a versão 0.50.0.
## JupyterLab 3
**Importante**
JupyterLab 1 e JupyterLab 3 não são mais compatíveis desde 30 de junho de 2025. Não é mais possível criar ou reiniciar instâncias de caderno interrompidas usando essas versões. As instâncias em serviço existentes podem continuar funcionando, mas não receberão atualizações de segurança ou correções de bug. Migre para JupyterLab 4 instâncias de notebook para obter suporte contínuo. Para obter mais informações, consulte [JupyterLab manutenção da versão](#nbi-jl-version-maintenance).
JupyterLab O suporte 3 está disponível somente na plataforma do sistema operacional Amazon Linux 2. JupyterLab 3 inclui os seguintes recursos que não estão disponíveis em JupyterLab 1. Para obter mais informações sobre esses recursos, consulte [Lançamento da JupyterLab versão 3.0\$1](https://blog.jupyter.org/jupyterlab-3-0-is-out-4f58385e25bb) .
+ Depurador visual ao usar os seguintes kernels:
+ conda\$1pytorch\$1p38
+ conda\$1tensorflow2\$1p38
+ conda\$1amazonei\$1pytorch\$1latest\$1p37
+ Filtro de navegador de arquivos
+ Índice
+ Compatibilidade com vários idiomas
+ Modo simples
+ Modo de interface única
+ Edição ao vivo de arquivos SVG com renderização atualizada
+ Interface de usuário para etiquetas de células de caderno
### Mudanças importantes em JupyterLab 3
Para obter informações sobre mudanças importantes ao usar o JupyterLab 3, consulte os seguintes registros de JupyterLab alterações:
+ [v2.0.0](https://github.com/jupyterlab/jupyterlab/releases)
+ [v3.0.0](https://jupyterlab.readthedocs.io/en/stable/getting_started/changelog.html#for-developers)
**Alterações na versão do pacote**
JupyterLab 3 tem as seguintes alterações de versão do pacote a partir de JupyterLab 1:
+ JupyterLab foi atualizado de 1.x para 3.x.
+ O caderno Jupyter foi atualizado de 5.x para 6.x.
+ jupyterlab-git foi atualizado para a versão 0.37.1.
+ O nbserverproxy 0.x (0.3.2) foi substituído pelo 3.x (3.2.1). jupyter-server-proxy
# Crie um caderno com sua JupyterLab versão
**Importante**
JupyterLab 1 e JupyterLab 3 não são mais compatíveis desde 30 de junho de 2025. Não é mais possível criar ou reiniciar instâncias de caderno interrompidas usando essas versões. As instâncias em serviço existentes podem continuar funcionando, mas não receberão atualizações de segurança ou correções de bug. Migre para JupyterLab 4 instâncias de notebook para obter suporte contínuo. Para obter mais informações, consulte [JupyterLab manutenção da versão](nbi-jl.md#nbi-jl-version-maintenance).
Você pode selecionar a JupyterLab versão ao criar sua instância de notebook no console seguindo as etapas em[Crie uma instância de SageMaker notebook da Amazon](howitworks-create-ws.md).
Você também pode selecionar a JupyterLab versão passando o `platform-identifier` parâmetro ao criar sua instância do notebook usando o AWS CLI seguinte:
```
create-notebook-instance --notebook-instance-name \
--instance-type \
--role-arn \
--platform-identifier notebook-al2-v3
```
# Veja a JupyterLab versão de um notebook no console
**Importante**
JupyterLab 1 e JupyterLab 3 não são mais compatíveis desde 30 de junho de 2025. Não é mais possível criar ou reiniciar instâncias de caderno interrompidas usando essas versões. As instâncias em serviço existentes podem continuar funcionando, mas não receberão atualizações de segurança ou correções de bug. Migre para JupyterLab 4 instâncias de notebook para obter suporte contínuo. Para obter mais informações, consulte [JupyterLab manutenção da versão](nbi-jl.md#nbi-jl-version-maintenance).
Você pode visualizar a JupyterLab versão de um notebook usando o procedimento a seguir:
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, selecione **Caderno**.
1. No menu suspenso, selecione **Instâncias do caderno** para navegar até a página **Instâncias do caderno**.
1. Na lista de instâncias do caderno, selecione o nome da instância do caderno.
1. Na página de **configurações da instância do Notebook**, visualize o **Identificador da Plataforma** para ver a JupyterLab versão do notebook.
# Crie uma instância de SageMaker notebook da Amazon
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Uma instância de SageMaker notebook da Amazon é uma instância de computação de ML executando o aplicativo Jupyter Notebook. SageMaker A IA gerencia a criação da instância e dos recursos relacionados. Use os cadernos Jupyter em sua instância de caderno para:
+ preparar e processar dados;
+ escrever código para treinar modelos;
+ implante modelos na hospedagem de SageMaker IA
+ testar ou validar modelos.
Para criar uma instância de notebook, use o console de SageMaker IA ou o [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html)API.
O tipo de instância de caderno que você escolher depende de como você a usa. Verifique se a instância de caderno não está vinculada à memória, CPU ou IO. Se você planeja carregar um conjunto de dados na memória na instância de caderno para explorar ou pré-processar, recomendamos optar pelo tipo de instância com memória RAM suficiente para o conjunto de dados. Isso exigiria uma instância com pelo menos 16 GB de memória (.xlarge ou superior). Se você planeja usar o caderno para pré-processamento intensivo de computação, recomendamos optar por uma instância otimizada para computação, como c4 ou c5.
Uma prática recomendada ao usar um SageMaker notebook é usar a instância do notebook para orquestrar outros AWS serviços. Por exemplo, você pode usar a instância de caderno para gerenciar o processamento de grandes conjuntos de dados. Para fazer isso, faça chamadas para o AWS Glue for ETL (extrair, transformar e carregar) ou para o Amazon EMR para mapeamento e redução de dados usando o Hadoop. Você pode usar AWS serviços como formas temporárias de computação ou armazenamento para seus dados.
Você pode armazenar e recuperar seus dados de treinamento e teste usando um bucket do Amazon Simple Storage Service. Em seguida, você pode usar a SageMaker IA para treinar e criar seu modelo. Como resultado, o tipo de instância do seu caderno não teria influência na velocidade do treinamento e teste do seu modelo.
Depois de receber a solicitação, a SageMaker IA faz o seguinte:
+ **Cria uma interface de rede** — se você escolher a configuração opcional de VPC SageMaker , a IA criará a interface de rede em sua VPC. Ele usa o ID da sub-rede que você fornece na solicitação para determinar em qual zona de disponibilidade criar a sub-rede. SageMaker A IA associa o grupo de segurança que você fornece na solicitação à sub-rede. Para obter mais informações, consulte [Conectar uma instância de caderno em uma VPC aos recursos externos](appendix-notebook-and-internet-access.md).
+ **Lança uma instância de computação de ML** — a SageMaker IA inicia uma instância de computação de ML em uma SageMaker VPC de IA. SageMaker A IA executa as tarefas de configuração que permitem gerenciar sua instância do notebook. Se você especificou sua VPC, a SageMaker IA habilita o tráfego entre sua VPC e a instância do notebook.
+ **Instala pacotes e bibliotecas do Anaconda para plataformas comuns de aprendizado profundo** — a SageMaker IA instala todos os pacotes do Anaconda incluídos no instalador. Para obter mais informações, consulte a lista de [pacotes do Anaconda](https://docs.anaconda.com/free/anaconda/pkg-docs/). SageMaker A IA também instala as bibliotecas de aprendizado MXNet profundo TensorFlow e do Apache.
+ **Anexa um volume de armazenamento de ML** — a SageMaker AI anexa um volume de armazenamento de ML à instância de computação de ML. Você pode usar o volume como uma área de trabalho para limpar o conjunto de dados de treinamento ou armazenar temporariamente a validação, o teste ou outros dados. Escolha qualquer tamanho entre 5 GB e 16384 GB, em incrementos de 1 GB, para o volume. O padrão é 5 GB. Os volumes de armazenamento de ML são criptografados, então a SageMaker IA não pode determinar a quantidade de espaço livre disponível no volume. Por isso, você pode aumentar o tamanho do volume ao atualizar uma instância do caderno, mas não pode diminuir o tamanho do volume. Se você deseja diminuir o tamanho do volume de armazenamento do ML em uso, crie uma nova instância do caderno com o tamanho desejado.
Somente os arquivos e dados salvos na pasta `/home/ec2-user/SageMaker` persistem entre sessões de instância de caderno. Os arquivos e dados salvos fora desse diretório são sobrescritos quando a instância de caderno é interrompida e reiniciada. O `/tmp` diretório de cada instância do notebook fornece um mínimo de 10 GB de armazenamento em um armazenamento de instâncias. Um armazenamento de instância é um armazenamento ao nível do bloco temporário e não persistente. Quando a instância é interrompida ou reiniciada, a SageMaker IA exclui o conteúdo do diretório e todas as personalizações do sistema operacional. Esse armazenamento temporário faz parte do volume raiz da instância de caderno.
Se a instância do notebook não estiver atualizada e estiver executando um software não seguro, a SageMaker IA poderá atualizar periodicamente a instância como parte da manutenção regular. Durante essas atualizações, os dados fora da pasta `/home/ec2-user/SageMaker` não são mantidos. Para obter mais informações sobre patches de manutenção e segurança, consulte[Manutenção](nbi.md#nbi-maintenance).
Se o tipo de instância usado pela instância do notebook tiver NVMe suporte, os clientes poderão usar os volumes de armazenamento de NVMe instâncias disponíveis para esse tipo de instância. Para instâncias com volumes de NVMe armazenamento, todos os volumes de armazenamento de instâncias são automaticamente anexados à instância na inicialização. Para obter mais informações sobre os tipos de instância e seus volumes de NVMe armazenamento associados, consulte os [detalhes do tipo de instância do Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/).
Para disponibilizar o volume de NVMe armazenamento anexado para sua instância de notebook, conclua as etapas em [Disponibilizar volumes de armazenamento de instâncias em sua instância](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/add-instance-store-volumes.html#making-instance-stores-available-on-your-instances). Conclua as etapas com acesso root ou usando um script de configuração do ciclo de vida.
**nota**
NVMe volumes de armazenamento de instâncias não são armazenamento persistente. Esse armazenamento dura pouco com a instância e deve ser reconfigurado sempre que uma instância com esse armazenamento for iniciada.
**Para criar uma instância de notebook de SageMaker IA:**
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Escolha **Instâncias de caderno** e **Criar instância de caderno**.
1. Na página **Criar instância de caderno**, forneça as seguintes informações:
1. Em **Nome da instância de caderno**, digite um nome para a sua instância de caderno.
1. Para o **tipo de instância do caderno** (caderno), escolha um tamanho de instância adequado ao seu caso de uso. Para obter uma lista dos tipos e cotas de instância compatíveis, consulte [Amazon SageMaker AI Service](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html#limits_sagemaker) Quotas.
1. Em **Identificador da Plataforma**, escolha um tipo de plataforma para criar a instância do caderno. Esse tipo de plataforma determina o sistema operacional e a JupyterLab versão com a qual sua instância do notebook é criada. A versão mais recente e recomendada é `notebook-al2023-v1` para uma instância de notebook Amazon Linux 2023. Em 30 de junho de 2025, apenas JupyterLab 4 eram compatíveis com novas instâncias. Para obter informações sobre os tipos de identificadores de plataforma, consulte [AL2023 instâncias de notebook](nbi-al2023.md) [Instâncias de caderno do Amazon Linux 2](nbi-al2.md) e. Para obter informações sobre JupyterLab versões, consulte[JupyterLab controle de versão](nbi-jl.md).
**Importante**
JupyterLab 1 e JupyterLab 3 não são mais compatíveis desde 30 de junho de 2025. Não é mais possível criar ou reiniciar instâncias de caderno interrompidas usando essas versões. As instâncias em serviço existentes podem continuar funcionando, mas não receberão atualizações de segurança ou correções de bug. Migre para JupyterLab 4 instâncias de notebook para obter suporte contínuo. Para obter mais informações, consulte [JupyterLab manutenção da versão](nbi-jl.md#nbi-jl-version-maintenance).
1. (Opcional) A **Additional configuration (Configuração adicional)** permite que os usuários avançados criem um script shell que pode ser executado quando você cria ou inicia a instância. Esse script, chamado de script de configuração do ciclo de vida, pode ser usado para definir o ambiente do caderno ou para executar outras funções. Para mais informações, consulte [Personalização de uma instância de SageMaker notebook usando um script LCC](notebook-lifecycle-config.md).
1. (Opcional) A **Additional configuration (Configuração adicional)** também permite especificar o tamanho, em GB, do volume de armazenamento ML anexado à instância de caderno. Você pode escolher um tamanho entre 5 GB e 16.384 GB, em incrementos de 1 GB. É possível usar o volume para limpar o conjunto de dados de treinamento ou para armazenar temporariamente a validação ou outros dados.
1. (Opcional) Para **Versão mínima do IMDS**, selecione uma versão na lista suspensa. Se esse valor for definido como v1, as duas versões poderão ser usadas com a instância do caderno. Se a opção v2 for selecionada, ela só IMDSv2 poderá ser usada com a instância do notebook. Para obter informações sobre IMDSv2, consulte [Uso IMDSv2](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/configuring-instance-metadata-service.html).
**nota**
A partir de 31 de outubro de 2022, a versão mínima padrão do IMDS para instâncias de SageMaker notebook muda de IMDSv1 para IMDSv2.
A partir de 1º de fevereiro de 2023, IMDSv1 não estará mais disponível para a criação de novas instâncias de notebook. Após essa data, você pode criar instâncias de caderno com uma versão mínima do IMDS de 2.
1. Para o **papel do IAM**, escolha um papel do IAM existente em sua conta com as permissões necessárias para acessar os recursos de SageMaker IA ou **crie um novo papel**. Se você escolher **Criar uma nova função**, a SageMaker AI criará uma função do IAM chamada`AmazonSageMaker-ExecutionRole-YYYYMMDDTHHmmSS`. A política AWS gerenciada `AmazonSageMakerFullAccess` é anexada à função. A função fornece permissões que permitem que a instância do notebook chame a SageMaker IA e o Amazon S3.
1. Em **Acesso Root**, para habilitar o acesso root a todos os usuários da instância do caderno, escolha **Habilitar**. Para desabilitar o acesso raiz de usuários, escolha **Desabilitar**. Se você habilitar o acesso raiz, todos os usuários da instância do caderno terão privilégios de administrador e poderão acessar e editar todos os arquivos.
1. (Opcional) A **Encryption key (Chave de criptografia)** permite criptografar dados no volume de armazenamento ML anexado à instância de caderno usando uma chave do AWS Key Management Service (AWS KMS). Para armazenar informações confidenciais no volume de armazenamento de ML, considere criptografar as informações.
1. (Opcional) A **Network (Rede)** permite que você coloque sua instância de caderno dentro de uma nuvem privada virtual (VPC). Uma VPC fornece segurança adicional e restringe o acesso a recursos na VPC por origens fora da VPC. Para obter mais informações sobre VPCs, consulte o Guia do [usuário da Amazon VPC](https://docs.aws.amazon.com/vpc/latest/userguide/).
**Para adicionar sua instância de caderno a uma VPC:**
1. Escolha o **VPC** e um. **SubnetId**
1. Em **Grupo de segurança**, escolha o security group padrão da sua VPC.
1. Se você precisar que sua instância de caderno tenha acesso à Internet, habilite o acesso direto à Internet. Em **Acesso direito à internet**, escolha **Habilitar**. O acesso à Internet pode tornar sua instância de caderno menos segura. Para obter mais informações, consulte [Conectar uma instância de caderno em uma VPC aos recursos externos](appendix-notebook-and-internet-access.md).
1. (Opcional) Para associar repositórios Git à instâncias de caderno, escolha um repositório padrão e até três repositórios adicionais. Para obter mais informações, consulte [Repositórios Git com SageMaker instâncias do AI Notebook](nbi-git-repo.md).
1. Escolha **Criar instância de caderno**.
Em alguns minutos, a Amazon SageMaker AI lança uma instância de computação de ML — nesse caso, uma instância de notebook — e anexa um volume de armazenamento de ML a ela. A instância de caderno conta com a pré-configuração de um servidor de cadernos Jupyter e de um conjunto de bibliotecas da Anaconda. Para obter mais informações, consulte a API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html).
1. Quando o status da instância de caderno é `InService`, no console, a instância de caderno está pronta para ser usada. Escolha **Open Jupyter (Abrir o Jupyter)** ao lado do nome do caderno para abrir o painel clássico do Jupyter.
**nota**
Para aumentar a segurança da sua instância de SageMaker notebook da Amazon, todos os `notebook.region.sagemaker.aws` domínios regionais são registrados na [Lista Pública de Sufixos (](https://publicsuffix.org/)PSL) da Internet. Para maior segurança, recomendamos que você use cookies com um `__Host-` prefixo para definir cookies confidenciais para os domínios das instâncias do seu SageMaker notebook. Isso ajuda a defender seu domínio contra tentativas de falsificação de solicitação entre sites (CSRF). Para mais informações, consulte a página [Set-Cookie](https://developer.mozilla.org/en-US/docs/Web/HTTP/Headers/Set-Cookie#cookie_prefixes) no site de documentação do desenvolvedor [mozilla.org](https://www.mozilla.org/en-GB/?v=1).
Você pode escolher **Abrir JupyterLab** para abrir o JupyterLab painel. O painel oferece acesso à sua instância de caderno.
Para obter mais informações sobre cadernos Jupyter, consulte [O caderno Jupyter](https://jupyter-notebook.readthedocs.io/en/stable/).
# Acessar instâncias de caderno
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Para acessar suas instâncias de SageMaker notebook da Amazon, escolha uma das seguintes opções:
+ Use o console do .
Escolha **Instância de caderno**. O console exibirá uma lista de instâncias de caderno na sua conta. Para abrir uma instância de caderno com uma interface Jupyter padrão, escolha **Abrir Jupyter** para essa instância. Para abrir uma instância do notebook com uma JupyterLab interface, escolha **Abrir JupyterLab** para essa instância.
![\[Exemplo de seção de instâncias do Notebook no console.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/ws-notebook-10.png)
O console usa suas credenciais de login para enviar um [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html)Solicitação de API para a SageMaker IA. SageMaker A IA retorna a URL da instância do seu notebook, e o console abre a URL em outra guia do navegador e exibe o painel do notebook Jupyter.
**nota**
O URL que você obtém de uma chamada para [
`CreatePresignedNotebookInstanceUrl`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html) é válido somente por 5 minutos. Se você tentar usar o URL após o limite de 5 minutos expirar, você será direcionado para a página de Console de gerenciamento da AWS login.
+ Use a API.
Para obter o URL da instância de caderno, chame a API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html) e use o URL retornado pela API para abrir a instância de caderno.
Use o painel de cadernos Jupyter para criar e gerenciar cadernos e para escrever o código. Para obter mais informações sobre cadernos Jupyter, consulte [http://jupyter.org/documentation.html](http://jupyter.org/documentation.html).
# Atualizar uma instância de caderno
Depois de criar uma instância do notebook, você pode atualizá-la usando o console de SageMaker IA e a operação [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateNotebookInstance.html)da API.
Você pode atualizar as tags de uma instância do caderno, ou seja `InService`. Para atualizar qualquer outro atributo de uma instância do caderno, seu status deve ser `Stopped`.
**Para atualizar uma instância do notebook no console de SageMaker IA:**
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Escolha **Instância de caderno**.
1. Escolha a instância do caderno que você deseja atualizar selecionando o **Nome** da instância do caderno na lista.
1. Se o **status** do caderno não for `Stopped`, selecione o botão **Parar** para interromper a instância do caderno.
Quando você faz isso, o status da instância do caderno muda para `Stopping`. Espere até que o status mude para `Stopped` para concluir as etapas a seguir.
1. Selecione o botão **Editar** para abrir a página **Editar instância do caderno**. Para obter informações sobre as propriedades do caderno que você pode atualizar, consulte [Crie uma instância de SageMaker notebook da Amazon](howitworks-create-ws.md).
1. Atualize sua instância do caderno e selecione o botão **Atualizar instância do caderno** na parte inferior da página quando terminar para retornar à página de instâncias do caderno. O status da instância do seu caderno muda para **Atualizando**.
Quando a atualização da instância do caderno estiver concluída, o status será alterado para `Stopped`.
# Personalização de uma instância de SageMaker notebook usando um script LCC
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Uma *configuração de ciclo de vida* (LCC) fornece scripts de shell que são executados apenas quando você cria ou inicia a instância de caderno. Ao criar uma instância de caderno, você pode criar uma nova LCC ou anexar uma LCC que você já tenha. Os scripts de configuração do ciclo de vida são úteis para os seguintes casos de uso:
+ Instalando pacotes ou cadernos de amostra em uma instância de caderno
+ Configurar rede e segurança para uma instância de caderno
+ Usar um script shell para personalizar uma instância de caderno
Você também pode usar um script de configuração do ciclo de vida para acessar os AWS serviços do seu notebook. Por exemplo, você pode criar um script que permite usar seu notebook para controlar outros AWS recursos, como uma instância do Amazon EMR.
[Mantemos um repositório público de scripts de configuração do ciclo de vida do notebook que abordam casos de uso comuns para personalizar instâncias do notebook em -. https://github.com/aws-samples/ amazon-sagemaker-notebook-instance lifecycle-config-samples](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples)
**nota**
Cada script tem um limite de 16.384 caracteres.
O valor da variável de ambiente `$PATH` que está disponível para ambos os scripts é `/usr/local/sbin:/usr/local/bin:/usr/bin:/usr/sbin:/sbin:/bin`. O diretório de trabalho, que é o valor da variável de ambiente `$PWD` é `/`.
Visualize CloudWatch os registros das configurações do ciclo de vida da instância do notebook no grupo `/aws/sagemaker/NotebookInstances` de registros no fluxo de registros. `[notebook-instance-name]/[LifecycleConfigHook]`
Scripts não podem ser executados por mais de 5 minutos. Se um script for executado por mais de 5 minutos, haverá falha e a instância de caderno não será criada nem iniciada. Para ajudar a diminuir o tempo de execução de scripts, tente o seguinte:
Reduza as etapas necessárias. Por exemplo, limite os ambientes conda nos quais instalar pacotes grandes.
Execute tarefas em processos paralelos.
Use o comando `nohup` no seu script.
Você pode ver uma lista das configurações do ciclo de vida da instância do notebook que você criou anteriormente escolhendo a **configuração do ciclo** de vida no console de IA. SageMaker Você pode anexar uma LCC de instância de caderno ao criar uma nova instância de caderno. Para ter mais informações sobre como criar uma instância de caderno, consulte [Crie uma instância de SageMaker notebook da Amazon](howitworks-create-ws.md).
# Criar uma configuração de ciclo de vida
O procedimento a seguir mostra como criar um script de configuração do ciclo de vida para uso com uma instância de SageMaker notebook da Amazon. Para ter mais informações sobre como criar uma instância de caderno, consulte [Crie uma instância de SageMaker notebook da Amazon](howitworks-create-ws.md).
**Para criar uma configuração de ciclo de vida**
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações administrativas**, escolha **Configurações de ciclo de vida**.
1. Na página **Configurações de ciclo de vida**, escolha a aba **Instância do caderno**.
1. Escolha **Criar configuração**.
1. Em **Nome**, digite um nome usando caracteres alfanuméricos e “-”, mas sem espaços. Um rótulo pode ter no máximo 63 caracteres.
1. (Opcional) Para criar um script que é executado na criação do caderno e toda vez que ele for iniciado, escolha **Iniciar caderno**.
1. No editor **Start caderno (Iniciar caderno)**, digite o script.
1. (Opcional) Para criar um script que é executado apenas uma vez, na criação do caderno, escolha **Criar caderno**.
1. No editor **Create caderno (Criar caderno)**, digite o script de configuração das redes.
1. Escolha **Criar configuração**.
## Práticas recomendadas para configuração do ciclo de vida
Veja a seguir as melhores práticas para usar configurações de ciclo de vida:
**Importante**
Não recomendamos armazenar informações confidenciais em seu script de configuração do ciclo de vida.
**Importante**
Os scripts de configuração do ciclo de vida são executados com acesso raiz e os privilégios da função de execução do IAM da instância do notebook, independentemente da configuração de acesso raiz para usuários do notebook. Diretores com permissões para criar ou modificar configurações do ciclo de vida e atualizar instâncias do notebook podem executar código com as credenciais da função de execução. Consulte [Controle o acesso root a uma instância do SageMaker notebook](nbi-root-access.md) para obter mais informações.
+ As configurações de ciclo de vida são executadas como o usuário `root`. Se o seu script fizer alguma alteração no diretório `/home/ec2-user/SageMaker` (por exemplo, instalar um pacote com `pip`), use o comando `sudo -u ec2-user` para executar como o usuário `ec2-user`. Esse é o mesmo usuário com o qual o Amazon SageMaker AI é executado.
+ SageMaker As instâncias de notebooks de IA usam `conda` ambientes para implementar diferentes kernels para notebooks Jupyter. Se quiser instalar pacotes disponíveis para um ou mais kernels de caderno, coloque os comandos para instalar os pacotes com comandos de ambiente `conda` que ativam o ambiente conda que contém o kernel no qual você deseja instalar os pacotes.
Por exemplo, para instalar um pacote somente para o ambiente do `python3`, use o seguinte código:
```
#!/bin/bash
sudo -u ec2-user -i <
**Importante**
Atualmente, todos os pacotes em ambientes de instância de notebook são licenciados para uso com o Amazon SageMaker AI e não exigem licenças comerciais adicionais. No entanto, isso pode estar sujeito a alterações no futuro. Por isso, recomendamos que consulte regularmente os termos de licenciamento para verificar se existem atualizações.
As instâncias de SageMaker notebooks da Amazon vêm com vários ambientes já instalados. Esses ambientes contêm kernels Jupyter e pacotes Python, incluindo: scikit, Pandas,, e. NumPy TensorFlow MXNet Os ambientes, com todos os arquivos da pasta `sample-notebooks`, são atualizados quando você interrompe e inicia uma instância de caderno. Você também pode instalar seus próprios ambientes, com os pacotes e kernels de sua escolha.
Os diferentes kernels do Jupyter nas instâncias de notebooks da SageMaker Amazon são ambientes conda separados. Para obter mais informações sobre ambientes do Conda, consulte a seção de [gerenciamento de ambientes](https://conda.io/docs/user-guide/tasks/manage-environments.html) na documentação do *Conda*.
Instale kernels e ambientes personalizados no volume do Amazon EBS da instância do caderno. Isso garante que eles persistam quando você interrompe e reinicia a instância do notebook e que as bibliotecas externas instaladas não sejam atualizadas pela SageMaker IA. Para fazer isso, use uma configuração de ciclo de vida que inclua um script que é executado quando você cria a instância do caderno `on-create)` e um script que é executado toda vez que você reinicia a instância do caderno (`on-start`). Para obter informações sobre o uso das configurações de ciclo de vida da instância do caderno, consulte [Personalização de uma instância de SageMaker notebook usando um script LCC](notebook-lifecycle-config.md). Há um GitHub repositório que contém exemplos de scripts de configuração do ciclo de vida no [SageMaker AI Notebook Instance Lifecycle](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples) Config Samples.
Os exemplos em [https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-create.sh](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-create.sh) e [https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-start.sh](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-start.sh) mostram as melhores práticas para instalar ambientes e kernels em uma instância de notebook. O script `on-create` script instala a biblioteca `ipykernel` para criar ambientes personalizados como kernels do Jupyter e, em seguida, usa `pip install` e `conda install` para instalar bibliotecas. Você pode adaptar o script para criar ambientes personalizados e instalar as bibliotecas que desejar. SageMaker A IA não atualiza essas bibliotecas quando você interrompe e reinicia a instância do notebook, então você pode garantir que seu ambiente personalizado tenha as versões específicas das bibliotecas que você deseja. O script `on-start` instala todos os ambientes personalizados que você cria como kernels do Jupyter, para que eles apareçam na lista suspensa no menu **Novo** do Jupyter.
## Ferramentas de instalação do pacote
SageMaker os notebooks suportam as seguintes ferramentas de instalação de pacotes:
+ instalação do conda
+ instalação do pip
Você pode instalar pacotes usando os métodos a seguir:
+ Scripts de configuração do ciclo de vida.
Para ver exemplos de scripts, consulte [SageMaker Amostras de configuração do ciclo de vida da instância do AI Notebook](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples). Para obter mais informações sobre a configuração do ciclo de vida, consulte [Personalizar uma instância do caderno usando um script de configuração do ciclo de vida](https://docs.aws.amazon.com/sagemaker/latest/dg/notebook-lifecycle-config.html).
+ Cadernos: os seguintes comandos são compatíveis.
+ `%conda install`
+ `%pip install`
+ O terminal Jupyter: você pode instalar pacotes usando pip e conda diretamente.
De dentro de um caderno, você pode usar a sintaxe de comando do sistema (linhas começando com \$1) para instalar pacotes, por exemplo, `!pip install` e `!conda install`. Mais recentemente, novos comandos foram adicionados a IPython: `%pip` `%conda` e. Esses comandos são a forma recomendada de instalar pacotes de um caderno, pois eles levam corretamente em consideração o ambiente ativo ou o intérprete que está sendo usado. Para obter mais informações, consulte [Adicionar funções mágicas %pip e %conda](https://github.com/ipython/ipython/pull/11524).
### Conda
O Conda é um sistema de gerenciamento de pacotes e sistema de gerenciamento de ambiente de código aberto, que pode instalar pacotes e suas dependências. SageMaker A IA suporta o uso do Conda com qualquer um dos dois canais principais, o canal padrão e o canal conda-forge. Para obter mais informações, consulte [Canais conda](https://docs.conda.io/projects/conda/en/latest/user-guide/concepts/channels.html). O canal conda-forge é um canal comunitário onde os colaboradores podem fazer upload de pacotes.
**nota**
Devido à forma como o Conda resolve o gráfico de dependências, a instalação de pacotes do conda-forge pode levar muito mais tempo (nos piores casos, mais de 10 minutos).
A AMI de aprendizado profundo vem com muitos ambientes conda e muitos pacotes pré-instalados. Devido ao número de pacotes pré-instalados, é difícil encontrar um conjunto de pacotes com garantia de compatibilidade. Você pode ver um aviso “O ambiente é inconsistente, verifique o plano do pacote com cuidado”. Apesar desse aviso, a SageMaker IA garante que todos os ambientes fornecidos pela SageMaker IA estejam corretos. SageMaker A IA não pode garantir que nenhum pacote instalado pelo usuário funcione corretamente.
**nota**
Os usuários da SageMaker IA AMIs de deep learning da AWS e do Amazon EMR podem acessar o repositório comercial do Anaconda sem obter uma licença comercial até 1º de fevereiro de 2024 ao usar o Anaconda nesses serviços. Para qualquer uso do repositório comercial do Anaconda após 1.º de fevereiro de 2024, os clientes são responsáveis por determinar seus próprios requisitos de licença do Anaconda.
O Conda tem dois métodos para ativar ambientes: conda. activate/deactivate, and source activate/deactivate Para obter mais informações, consulte [Devo usar 'conda activate' ou 'source activate' no Linux?](https://stackoverflow.com/questions/49600611/python-anaconda-should-i-use-conda-activate-or-source-activate-in-linux).
SageMaker A IA suporta a migração de ambientes Conda para o volume do Amazon EBS, que persiste quando a instância é interrompida. Os ambientes não persistem quando são instalados no volume raiz, que é o comportamento padrão. Para obter um exemplo de script de ciclo de vida, consulte. [persistent-conda-ebs](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/tree/master/scripts/persistent-conda-ebs)
**Operações conda compatíveis (consulte a nota na parte inferior deste tópico)**
+ instalação conda de um pacote em um único ambiente
+ instalação conda de um pacote em todos os ambientes
+ instalação conda de um pacote R no ambiente R
+ Instalar um pacote do repositório principal do conda
+ Instalar um pacote do conda-forge
+ Alterar o local de instalação do conda para usar o EBS
+ Compatibilidade com conda activate e source activate
### Pip
O pip é a ferramenta de fato para instalar e gerenciar pacotes Python. O Pip pesquisa pacotes no Python Package Index (PyPI) por padrão. Ao contrário do Conda, o pip não tem suporte de ambiente integrado e não é tão completo quanto o Conda quando se trata de pacotes com native/system dependências de biblioteca. O pip pode ser usado para instalar pacotes em ambientes conda.
Você pode usar repositórios de pacotes alternativos com pip em vez do PyPI. Para ver um exemplo de script de ciclo de vida, consulte [on-start.sh](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/add-pypi-repository/on-start.sh).
**Operações conda compatíveis (consulte a nota na parte inferior deste tópico)**
+ Usar pip para instalar um pacote sem um ambiente conda ativo (instalar pacotes em todo o sistema)
+ Usar pip para instalar um pacote em um ambiente conda
+ Usar pip para instalar um pacote em todos os ambientes conda
+ Alterar o local de instalação do pip para usar o EBS
+ Usar um repositório alternativo para instalar pacotes com pip
### Sem compatibilidade
SageMaker A IA visa oferecer suporte ao maior número possível de operações de instalação de pacotes. No entanto, se os pacotes foram instalados por SageMaker AI ou DLAMI e você usa as seguintes operações nesses pacotes, isso pode tornar sua instância do notebook instável:
+ Desinstalação
+ Rebaixamento
+ Atualizar
Não fornecemos compatibilidade com instalação de pacotes via instalação yum ou instalação de pacotes R do CRAN.
Devido a possíveis problemas com as condições ou configurações da rede, ou com a disponibilidade do Conda ou PyPi, não podemos garantir que os pacotes serão instalados em um período de tempo fixo ou determinístico.
**nota**
Não podemos garantir que a instalação de um pacote será bem-sucedida. A tentativa de instalar um pacote em um ambiente com dependências incompatíveis pode resultar em uma falha. Nesse caso, você deve entrar em contato com o mantenedor da biblioteca para ver se é possível atualizar as dependências do pacote. Como alternativa, você pode tentar modificar o ambiente de forma a permitir a instalação. No entanto, essa modificação provavelmente significará remover ou atualizar os pacotes existentes, o que significa que não podemos mais garantir a estabilidade desse ambiente.
# Atualizações de software de instâncias de caderno
A Amazon SageMaker AI testa e lança periodicamente software instalado em instâncias de notebooks. Isso inclui:
+ Atualizações do kernel
+ Patches de segurança
+ AWS Atualizações do SDK
+ Atualizações do SDK do [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable)
+ Atualizações de software de código aberto
Para garantir que você tenha as atualizações de software mais recentes, pare e reinicie sua instância do notebook, seja no console de SageMaker IA ou ligando [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopNotebookInstance.html).
Você também pode atualizar manualmente o software instalado em sua instância de caderno enquanto ela estiver em execução usando comandos de atualização em um terminal ou em um caderno.
**nota**
A atualização de kernels e alguns pacotes pode depender se o acesso raiz está habilitado para a instância de caderno. Para obter mais informações, consulte [Controle o acesso root a uma instância do SageMaker notebook](nbi-root-access.md).
Você pode verificar se há atualizações no [Painel de integridade pessoal](https://aws.amazon.com/premiumsupport/technology/personal-health-dashboard/) ou no boletim de segurança em [Security Bulletins](https://aws.amazon.com/security/security-bulletins/).
# Controlar uma instância do Amazon EMR Spark usando um caderno
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Você pode usar uma instância de notebook criada com um script de configuração de ciclo de vida personalizado para acessar AWS serviços do seu notebook. Por exemplo, é possível criar um script que permite usar seu caderno com o Sparkmagic para controlar outros recursos da AWS , como uma instância do Amazon EMR. Depois, você poderá usar a instância do Amazon EMR para processar seus dados em vez de executar a análise de dados em seu caderno. Isso permite que você crie uma instância de caderno menor porque você não usará a instância para processar dados. Isso é útil quando você tem conjuntos de dados grandes, que exigem uma instância de caderno grande para processar os dados.
O processo requer três procedimentos usando o console Amazon SageMaker AI:
+ Criar a instância do Amazon EMR Spark
+ Criar o caderno Jupyter
+ Teste a conexão do notebook-to-Amazon EMR
**Para criar uma instância do Amazon EMR Spark que pode ser controlada de um caderno usando o Sparkmagic**
1. Abra o console do Amazon EMR em [https://console.aws.amazon.com/elasticmapreduce/](https://console.aws.amazon.com/elasticmapreduce/).
1. No painel de navegação, escolha **Criar cluster**.
1. Na página **Criar Cluster: Opções rápidas** em **Configuração de software**, escolha **Spark: Spark 2.4.4 no Hadoop 2.8.5 YARN com Ganglia 3.7.2 e Zeppelin 0.8.2**.
1. Defina parâmetros adicionais na página e escolha **Create cluster (Criar cluster)**.
1. Na página **Cluster** escolha o nome do cluster que você criou. Observe o **DNS público principal**, o **Grupo de segurança do EMR principal**, e o nome da VPC e o ID da sub-rede onde o cluster do EMR foi criado. Você usará esses valores quando criar um caderno.
**Para criar um caderno que usa o Sparkmagic para controlar uma instância do Amazon EMR Spark**
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação, em **Instâncias de caderno**, escolha **Criar caderno**.
1. Insira o nome da instância de caderno e escolha o tipo de instância.
1. Escolha **Configuração adicional** e, em **Configuração do ciclo de vida**, escolha **Criar uma configuração do ciclo de vida**.
1. Adicione o seguinte código ao script de configuração do ciclo de vida:
```
# OVERVIEW
# This script connects an Amazon EMR cluster to an Amazon SageMaker notebook instance that uses Sparkmagic.
#
# Note that this script will fail if the Amazon EMR cluster's master node IP address is not reachable.
# 1. Ensure that the EMR master node IP is resolvable from the notebook instance.
# One way to accomplish this is to have the notebook instance and the Amazon EMR cluster in the same subnet.
# 2. Ensure the EMR master node security group provides inbound access from the notebook instance security group.
# Type - Protocol - Port - Source
# Custom TCP - TCP - 8998 - $NOTEBOOK_SECURITY_GROUP
# 3. Ensure the notebook instance has internet connectivity to fetch the SparkMagic example config.
#
# https://aws.amazon.com/blogs/machine-learning/build-amazon-sagemaker-notebooks-backed-by-spark-in-amazon-emr/
# PARAMETERS
EMR_MASTER_IP=your.emr.master.ip
cd /home/ec2-user/.sparkmagic
echo "Fetching Sparkmagic example config from GitHub..."
wget https://raw.githubusercontent.com/jupyter-incubator/sparkmagic/master/sparkmagic/example_config.json
echo "Replacing EMR master node IP in Sparkmagic config..."
sed -i -- "s/localhost/$EMR_MASTER_IP/g" example_config.json
mv example_config.json config.json
echo "Sending a sample request to Livy.."
curl "$EMR_MASTER_IP:8998/sessions"
```
1. Na seção `PARAMETERS` do script, substitua `your.emr.master.ip` pelo nome do DNS público principal da instância do Amazon EMR.
1. Escolha **Criar configuração**.
1. Na página **Criar caderno**, selecione **Rede - opcional**.
1. Escolha a VPC e a sub-rede onde a instância do Amazon EMR está localizada.
1. Escolha o grupo de segurança usado pelo nó principal do Amazon EMR.
1. Escolha **Criar instância de caderno**.
Enquanto a instância de caderno estiver sendo criada, o status será **Pending**. Depois que a instância for criada e o script de configuração do ciclo de vida for executado com sucesso, o status será. **InService**
**nota**
Se a instância do notebook não conseguir se conectar à instância do Amazon EMR, a SageMaker IA não poderá criar a instância do notebook. Pode haver falha na conexão se a instância do Amazon EMR e o caderno não estiverem na mesma VPC e sub-rede, se o grupo de segurança principal do Amazon EMR não for usado pelo caderno ou se o nome do DNS público principal no script estiver incorreto.
**Para testar a conexão entre a instância do Amazon EMR e o caderno**
1. Quando o status do notebook for **InService**, escolha **Abrir o Jupyter** para abrir o notebook.
1. Escolha **Novo** e, em seguida, escolha **Sparkmagic () PySpark**.
1. Na célula de código, digite **%%info** e execute a célula.
A saída deve ser semelhante ao seguinte:
```
Current session configs: {'driverMemory': '1000M', 'executorCores': 2, 'kind': 'pyspark'}
No active sessions.
```
# Definir o kernel do caderno
A Amazon SageMaker AI fornece vários kernels para o Jupyter que oferecem suporte para Python 2 e 3, Apache e. MXNet TensorFlow PySpark Para definir um kernel para um novo caderno no painel do caderno Jupyter, escolha **Novo** e escolha o kernel na lista. Para obter mais informações sobre os kernels disponíveis, consulte [Kernels disponíveis](nbi-al2.md#nbi-al2-kernel).
![\[Localização da lista suspensa Novo no painel do caderno Jupyter.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/nbi-set-kernel.png)
Você também pode criar um kernel personalizado que pode ser usado na sua instância de caderno. Para mais informações, consulte [Instalação externa da biblioteca e do kernel](nbi-add-external.md).
# Repositórios Git com SageMaker instâncias do AI Notebook
Associe repositórios Git à sua instância de caderno para salvar seus cadernos em um ambiente de controle de fonte que persista mesmo se você parar ou excluir sua instância de caderno. Você pode associar um repositório padrão e até três repositórios adicionais a uma instância de caderno. Os repositórios podem ser hospedados em AWS CodeCommit GitHub, ou em qualquer outro servidor Git. Associar repositórios Git à sua instância de caderno pode ser útil para:
+ Persistência: os cadernos em uma instância de caderno são armazenados em volumes do Amazon EBS duráveis, mas não persistem além da duração da sua instância de caderno. Armazenar cadernos em um repositório Git permite armazenar e usar cadernos mesmo se você parar ou excluir sua instância de caderno.
+ Colaboração - Os membros de uma equipe geralmente trabalham juntos em projetos de machine learning. Armazenar seus cadernos em repositórios Git permite que os membros que trabalham em diferentes instâncias do caderno compartilhem cadernos e colaborem com eles em um ambiente de controle de origem.
+ Aprendizado - Muitos notebooks Jupyter que demonstram técnicas de aprendizado de máquina estão disponíveis em repositórios Git hospedados publicamente, como on. GitHub Você pode associar sua instância de caderno a um repositório para carregar facilmente os cadernos Jupyter contidos nesse repositório.
Existem duas maneiras de associar um repositório Git a uma instância de caderno:
+ Adicione um repositório Git como um recurso na sua conta Amazon SageMaker AI. Em seguida, para acessar o repositório, você pode especificar um segredo do AWS Secrets Manager que contenha credenciais. Dessa forma, você pode acessar repositórios que exigem autenticação.
+ Associe um repositório Git público que não seja um recurso na sua conta. Se você fizer isso, não poderá especificar credenciais para acessar o repositório.
**Topics**
+ [Adicione um repositório Git à sua conta Amazon AI SageMaker](nbi-git-resource.md)
+ [Criar uma instância de Caderno com um repositório Git associado](nbi-git-create.md)
+ [Associar um CodeCommit repositório em uma AWS conta diferente a uma instância do Notebook](nbi-git-cross.md)
+ [Usar repositórios Git em uma instância de caderno](git-nbi-use.md)
# Adicione um repositório Git à sua conta Amazon AI SageMaker
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Para gerenciar seus GitHub repositórios, associá-los facilmente às instâncias do seu notebook e associar credenciais a repositórios que exigem autenticação, adicione os repositórios como recursos em sua conta Amazon AI. SageMaker Você pode ver uma lista de repositórios armazenados em sua conta e detalhes sobre cada repositório no console de SageMaker IA e usando a API.
Você pode adicionar repositórios Git à sua conta de SageMaker IA no console de SageMaker IA ou usando o. AWS CLI
**nota**
Você pode usar a API de SageMaker IA [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateCodeRepository.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateCodeRepository.html)para adicionar repositórios Git à sua conta de SageMaker IA, mas step-by-step as instruções não são fornecidas aqui.
## Adicione um repositório Git à sua conta de SageMaker IA (console)
**Para adicionar um repositório Git como um recurso em sua conta de IA SageMaker**
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Em **Caderno**, escolha **Repositórios Git**, depois escolha **Adicionar repositório**.
1. Para adicionar um CodeCommit repositório, escolha **AWS CodeCommit**. Para adicionar um GitHub ou outro repositório baseado em Git, escolha **GitHub/Outro** repositório baseado em Git.
**Para adicionar um CodeCommit repositório existente**
1. Escolha **Usar repositório existente**.
1. Em **Repositório**, escolha um repositório na lista.
1. Insira um nome para usar para o repositório no SageMaker AI. O nome deve ter de 1 a 63 caracteres. Os caracteres válidos são a-z, A-Z, 0-9 e hífen (-).
1. Escolha **Adicionar repositório**.
**Para criar um novo CodeCommit repositório**
1. Escolha **Criar novo repositório**.
1. Insira um nome para o repositório que você pode usar tanto no AI CodeCommit quanto no SageMaker AI. O nome deve ter de 1 a 63 caracteres. Os caracteres válidos são a-z, A-Z, 0-9 e hífen (-).
1. Escolha **Criar repositório**.
**Para adicionar um repositório Git hospedado em algum lugar diferente de CodeCommit**
1. Escolha **GitHub/Outro repositório baseado em Git**.
1. Insira um nome de até 63 caracteres. Os caracteres válidos incluem caracteres alfanuméricos, um hífen (-) e 0-9.
1. Digite a URL do repositório. Não forneça um nome de usuário no URL. Adicione as credenciais de login AWS Secrets Manager conforme descrito na próxima etapa.
1. Para **Credenciais do Git**, escolha as credenciais a serem usadas para autenticação no repositório. Isso será necessário apenas se o repositório Git for privado.
**nota**
Se você tiver habilitado a autenticação de dois fatores para o seu repositório Git, use um token de acesso pessoal gerado pelo seu provedor de serviços Git no campo `password`.
1. Para usar um segredo existente do AWS Secrets Manager, escolha **Usar segredo existente** e escolha um segredo na lista. Para obter informações sobre como criar e armazenar um segredo, consulte [Criar um segredo básico](https://docs.aws.amazon.com/secretsmanager/latest/userguide/manage_create-basic-secret.html), no *Guia do usuário do AWS Secrets Manager*. O nome do segredo que você usa deve conter a string `sagemaker`.
**nota**
O segredo deve ter um rótulo de preparação de `AWSCURRENT` e deve estar no seguinte formato:
`{"username": UserName, "password": Password}`
Para GitHub repositórios, recomendamos usar um token de acesso pessoal no `password` campo. Para obter informações, consulte [https://help.github.com/articles/creating-a-personal-access- token-for-the-command -line/](https://help.github.com/articles/creating-a-personal-access-token-for-the-command-line/).
1. Para criar um novo segredo do AWS Secrets Manager, escolha **Criar segredo**, insira um nome para o segredo e, em seguida, insira as credenciais de login a serem usadas na autenticação no repositório. O nome do segredo deve conter a string `sagemaker`.
**nota**
A função do perfil do IAM que você usar para criar o segredo deve ter a permissão `secretsmanager:GetSecretValue` em sua política do IAM.
O segredo deve ter um rótulo de preparação de `AWSCURRENT` e deve estar no seguinte formato:
`{"username": UserName, "password": Password}`
Para GitHub repositórios, recomendamos usar um token de acesso pessoal.
1. Para não usar credenciais, escolha **Sem segredo**.
1. Escolha **Criar segredo**.
# Adicione um repositório Git à sua conta Amazon SageMaker AI (CLI)
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Use o `create-code-repository` AWS CLI comando para adicionar um repositório Git ao Amazon SageMaker AI para dar aos usuários acesso a recursos externos. Especifique um nome para o repositório como o valor do argumento `code-repository-name`. O nome deve ter de 1 a 63 caracteres. Os caracteres válidos são a-z, A-Z, 0-9 e hífen (-). Especifique também o seguinte:
+ A ramificação padrão
+ A URL do repositório Git
**nota**
Não forneça um nome de usuário no URL. Adicione as credenciais de login AWS Secrets Manager conforme descrito na próxima etapa.
+ O Amazon Resource Name (ARN) de um segredo do AWS Secrets Manager que contém as credenciais a serem usadas para autenticar o repositório como o valor do argumento `git-config`
Para obter informações sobre como criar e armazenar um segredo, consulte [Criar um segredo básico](https://docs.aws.amazon.com/secretsmanager/latest/userguide/manage_create-basic-secret.html), no *Guia do usuário do AWS Secrets Manager*. O comando a seguir cria um novo repositório nomeado `MyRespository` na sua conta Amazon SageMaker AI que aponta para um repositório Git hospedado em. `https://github.com/myprofile/my-repo"`
Para Linux, OS X ou Unix:
```
aws sagemaker create-code-repository \
--code-repository-name "MyRepository" \
--git-config Branch=branch,RepositoryUrl=https://github.com/myprofile/my-repo,SecretArn=arn:aws:secretsmanager:us-east-2:012345678901:secret:my-secret-ABc0DE
```
Para Windows:
```
aws sagemaker create-code-repository ^
--code-repository-name "MyRepository" ^
--git-config "{\"Branch\":\"master\", \"RepositoryUrl\" :
\"https://github.com/myprofile/my-repo\", \"SecretArn\" : \"arn:aws:secretsmanager:us-east-2:012345678901:secret:my-secret-ABc0DE\"}"
```
**nota**
O segredo deve ter um rótulo de preparação de `AWSCURRENT` e deve estar no seguinte formato:
`{"username": UserName, "password": Password}`
Para GitHub repositórios, recomendamos usar um token de acesso pessoal.
# Criar uma instância de Caderno com um repositório Git associado
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Você pode associar repositórios Git a uma instância do notebook ao criar a instância do notebook usando o Console de gerenciamento da AWS, ou o. AWS CLI Se você quiser usar um CodeCommit repositório que esteja em uma AWS conta diferente da instância do notebook, configure o acesso entre contas para o repositório. Para mais informações, consulte [Associar um CodeCommit repositório em uma AWS conta diferente a uma instância do Notebook](nbi-git-cross.md).
**Topics**
+ [Criar uma instância de caderno com um repositório Git associado (console)](#nbi-git-create-console)
+ [Criar uma instância de caderno com um repositório Git associado (CLI)](nbi-git-create-cli.md)
## Criar uma instância de caderno com um repositório Git associado (console)
**Para criar uma instância de notebook e associar repositórios Git no console Amazon AI SageMaker**
1. Siga as instruções em [Crie uma instância do Amazon SageMaker Notebook para o tutorial](gs-setup-working-env.md).
1. Para **Repositórios Git**, escolha repositórios Git a serem associados a instância de caderno.
1. Em **Repositório padrão**, escolha um repositório que você deseja usar como seu repositório padrão. SageMaker O AI clona esse repositório como um subdiretório no diretório de inicialização do Jupyter em. `/home/ec2-user/SageMaker` Quando você abrir sua instância de caderno, ela será aberta nesse repositório. Para escolher um repositório armazenado como um recurso na sua conta, escolha seu nome na lista. Para adicionar um novo repositório como recurso em sua conta, escolha **Adicionar um repositório ao SageMaker AI (abre o fluxo Adicionar repositório em uma nova janela)** e siga as instruções em. [Criar uma instância de caderno com um repositório Git associado (console)](#nbi-git-create-console) Para clonar um repositório público que não esteja armazenado na sua conta, escolha **Clonar repositório Git público apenas para essa instância de caderno** e especifique o URL desse repositório.
1. Em **Repositório adicional 1**, escolha um repositório que você deseja adicionar como um diretório adicional. SageMaker O AI clona esse repositório como um subdiretório no diretório de inicialização do Jupyter em. `/home/ec2-user/SageMaker` Para escolher um repositório armazenado como um recurso na sua conta, escolha seu nome na lista. Para adicionar um novo repositório como recurso em sua conta, escolha **Adicionar um repositório ao SageMaker AI (abre o fluxo Adicionar repositório em uma nova janela)** e siga as instruções em. [Criar uma instância de caderno com um repositório Git associado (console)](#nbi-git-create-console) Para clonar um repositório que não esteja armazenado na sua conta, escolha **Clonar repositório Git público apenas para essa instância de caderno** e especifique a URL desse repositório.
Repita essa etapa até três vezes para adicionar até três repositórios adicionais à sua instância de caderno.
# Criar uma instância de caderno com um repositório Git associado (CLI)
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Para criar uma instância de caderno e associar repositórios Git usando a AWS CLI, utilize o comando `create-notebook-instance` da seguinte forma:
+ Especifique o repositório que você deseja usar como seu repositório padrão como o valor do argumento `default-code-repository`. O Amazon SageMaker AI clona esse repositório como um subdiretório no diretório de inicialização do Jupyter em. `/home/ec2-user/SageMaker` Quando você abrir sua instância de caderno, ela será aberta nesse repositório. Para usar um repositório armazenado como um recurso em sua conta de SageMaker IA, especifique o nome do repositório como o valor do `default-code-repository` argumento. Para usar um repositório que não esteja armazenado na sua conta, especifique a URL do repositório como o valor do argumento `default-code-repository`.
+ Especifique até três repositórios adicionais como o valor do `additional-code-repositories` argumento. SageMaker O AI clona esse repositório como um subdiretório no diretório de inicialização do Jupyter em`/home/ec2-user/SageMaker`, e o repositório é excluído do repositório padrão ao adicioná-lo ao diretório do repositório padrão. `.git/info/exclude` Para usar repositórios armazenados como recursos em sua conta de SageMaker IA, especifique os nomes dos repositórios como o valor do `additional-code-repositories` argumento. Para usar repositórios que não estão armazenados em sua conta, especifique o URLs dos repositórios como o valor do `additional-code-repositories` argumento.
Por exemplo, o comando a seguir cria uma instância de notebook que tem um repositório chamado`MyGitRepo`, que é armazenado como um recurso em sua conta de SageMaker IA, como um repositório padrão e um repositório adicional hospedado em: GitHub
```
aws sagemaker create-notebook-instance \
--notebook-instance-name "MyNotebookInstance" \
--instance-type "ml.t2.medium" \
--role-arn "arn:aws:iam::012345678901:role/service-role/AmazonSageMaker-ExecutionRole-20181129T121390" \
--default-code-repository "MyGitRepo" \
--additional-code-repositories "https://github.com/myprofile/my-other-repo"
```
**nota**
Se você usar um AWS CodeCommit repositório que não contenha "SageMaker" em seu nome, adicione as `codecommit:GitPush` permissões `codecommit:GitPull` e à função que você passa como `role-arn` argumento para o `create-notebook-instance` comando. Para obter informações sobre como adicionar permissões a um perfil, consulte [Adicionar e remover políticas do IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html), no *Guia do Usuário do AWS Identity and Access Management *.
# Associar um CodeCommit repositório em uma AWS conta diferente a uma instância do Notebook
Para associar um CodeCommit repositório em uma AWS conta diferente à sua instância do notebook, configure o acesso entre contas para o CodeCommit repositório.
**Para configurar o acesso entre contas a um CodeCommit repositório e associá-lo a uma instância do notebook:**
1. Na AWS conta que contém o CodeCommit repositório, crie uma política do IAM que permita o acesso dos usuários ao repositório na conta que contém a instância do seu notebook. Para obter mais informações, consulte [Etapa 1: Criar uma política para acesso ao repositório na ContaA](https://docs.aws.amazon.com/codecommit/latest/userguide/cross-account-administrator-a.html#cross-account-create-policy-a) no *Guia do usuário do CodeCommit *.
1. Na AWS conta que contém o CodeCommit repositório, crie uma função do IAM e anexe a política que você criou na etapa anterior a essa função. Para obter mais informações, consulte [Etapa 2: Criar uma função para acesso ao repositório na ContaA](https://docs.aws.amazon.com/codecommit/latest/userguide/cross-account-administrator-a.html#cross-account-create-role-a) no *Guia do usuário do CodeCommit *.
1. Crie um perfil na instância de caderno que use a função que você criou na etapa anterior:
1. Abra a instância de caderno.
1. Abra um terminal na instância de caderno.
1. Edite um novo perfil, digitando o seguinte no terminal:
```
vi /home/ec2-user/.aws/config
```
1. Edite o arquivo com as seguintes informações de perfil:
```
[profile CrossAccountAccessProfile]
region = us-west-2
role_arn = arn:aws:iam::CodeCommitAccount:role/CrossAccountRepositoryContributorRole
credential_source=Ec2InstanceMetadata
output = json
```
Onde *CodeCommitAccount* está a conta que contém o CodeCommit repositório, *CrossAccountAccessProfile* o nome do novo perfil e *CrossAccountRepositoryContributorRole* o nome da função que você criou na etapa anterior.
1. Na instância de caderno, configure o git para usar o perfil que você criou na etapa anterior:
1. Abra a instância de caderno.
1. Abra um terminal na instância de caderno.
1. Edite o arquivo de configuração do Git digitando o seguinte no terminal:
```
vi /home/ec2-user/.gitconfig
```
1. Edite o arquivo com as seguintes informações de perfil:
```
[credential]
helper = !aws codecommit credential-helper --profile CrossAccountAccessProfile $@
UseHttpPath = true
```
Onde *CrossAccountAccessProfile* está o nome do perfil que você criou na etapa anterior.
# Usar repositórios Git em uma instância de caderno
Quando você abre uma instância de caderno que possui repositórios Git associados, ela é aberta no repositório padrão, que é instalado diretamente na sua instância de caderno, em `/home/ec2-user/SageMaker`. Você pode abrir e criar cadernos e executar manualmente os comandos do Git em uma célula do caderno. Por exemplo:
```
!git pull origin master
```
Para abrir qualquer um dos repositórios adicionais, navegue até uma pasta. Os repositórios adicionais também são instalados como diretórios em `/home/ec2-user/SageMaker`.
Se você abrir a instância do notebook com uma JupyterLab interface, a extensão jupyter-git será instalada e estará disponível para uso. [Para obter informações sobre a extensão jupyter-git para, consulte jupyterlab-git. JupyterLab https://github.com/jupyterlab/](https://github.com/jupyterlab/jupyterlab-git)
Ao abrir uma instância do notebook no JupyterLab, você vê os repositórios git associados a ela no menu à esquerda:
![\[Exemplo de navegador de arquivos em JupyterLab.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/git-notebook.png)
É possível usar a extensão jupyter-git para gerenciar o git visualmente, em vez de usar a linha de comando:
![\[Exemplo da extensão jupyter-git em. JupyterLab\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jupyterlab-git.png)
# Metadados de instância de caderno
Quando você cria uma instância do notebook, o Amazon SageMaker AI cria um arquivo JSON na instância no local `/opt/ml/metadata/resource-metadata.json` que contém a extremidade `ResourceName` `ResourceArn` da instância do notebook. Você pode acessar esses metadados de qualquer lugar na instância do caderno, inclusive nas configurações de ciclo de vida. Para obter informações sobre as configurações de ciclo de vida da instância do caderno, consulte [Personalização de uma instância de SageMaker notebook usando um script LCC](notebook-lifecycle-config.md).
**nota**
O arquivo `resource-metadata.json` pode ser modificado com acesso raiz.
O arquivo `resource-metadata.json` tem a seguinte estrutura:
```
{
"ResourceArn": "NotebookInstanceArn",
"ResourceName": "NotebookInstanceName"
}
```
Você pode usar esses metadados na instância do caderno para obter outras informações sobre a instância do caderno. Por exemplo, os seguintes comandos obtêm as tags associadas à instância do caderno:
```
NOTEBOOK_ARN=$(jq '.ResourceArn'
/opt/ml/metadata/resource-metadata.json --raw-output)
aws sagemaker list-tags --resource-arn $NOTEBOOK_ARN
```
A saída será exibida como a seguir:
```
{
"Tags": [
{
"Key": "test",
"Value": "true"
}
]
}
```
# Monitore os registros do Jupyter no Amazon Logs CloudWatch
Os registros do Jupyter incluem informações importantes, como eventos, métricas e informações de saúde, que fornecem insights acionáveis ao executar notebooks da Amazon. SageMaker Ao importar registros do Jupyter para o CloudWatch Logs, os clientes podem usar o CloudWatch Logs para detectar comportamentos anômalos, definir alarmes e descobrir insights para manter os notebooks de IA funcionando com mais tranquilidade. SageMaker Você pode acessar os logs mesmo quando a instância do Amazon EC2 que hospeda o caderno não responder e usar os logs para solucionar problemas no caderno que não responde. Informações confidenciais, como AWS conta IDs, chaves secretas e tokens de autenticação pré-assinados, URLs são removidas para que os clientes possam compartilhar registros sem vazar informações privadas.
**Para visualizar logs do Jupyter para uma instância de caderno:**
1. Faça login no Console de gerenciamento da AWS e abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Escolha **Instância de caderno**.
1. Na lista de instâncias de caderno, escolha a instância de caderno para a qual você deseja visualizar os logs do Jupyter, selecionando o **Nome** da instância do Caderno.
Você irá para a página de detalhes da instância do caderno.
1. Em **Monitor (Monitorar)** na página de detalhes da instância de caderno, escolha **View logs (Visualizar logs)**.
1. No CloudWatch console, escolha o fluxo de registros para sua instância do notebook. O nome está no formato `NotebookInstanceName/jupyter.log`.
Para obter mais informações sobre CloudWatch registros de monitoramento para SageMaker IA, consulte[CloudWatch Registros para Amazon SageMaker AI](logging-cloudwatch.md).
# Laboratório Amazon SageMaker Studio
**nota**
Em 8 de agosto de 2025, o Amazon SageMaker Studio Lab usa JupyterLab 4 em vez de JupyterLab 3. Se você encontrar problemas de dependência, reinstale todas as extensões que adicionou aos seus ambientes.
O Amazon SageMaker Studio Lab é um serviço gratuito que oferece aos clientes acesso a recursos AWS computacionais, em um ambiente baseado em código aberto 4 JupyterLab . Ele é baseado na mesma arquitetura e interface de usuário do Amazon SageMaker Studio Classic, mas com um subconjunto de recursos do Studio Classic.
Com o Studio Lab, você pode usar recursos AWS computacionais para criar e executar seus notebooks Jupyter sem se inscrever em uma conta. AWS Como o Studio Lab é baseado em código aberto JupyterLab, você pode aproveitar as extensões de código aberto do Jupyter para executar seus notebooks Jupyter.
**Studio Lab em comparação com o Amazon SageMaker Studio Classic**
Embora o Studio Lab ofereça acesso gratuito aos recursos AWS computacionais, o Amazon SageMaker Studio Classic fornece os seguintes recursos avançados de aprendizado de máquina que o Studio Lab não oferece suporte.
+ Integração contínua e entrega contínua (pipelines)
+ Previsões em tempo real
+ Treinamento distribuído em grande escala
+ Preparação de dados (Amazon SageMaker Data Wrangler)
+ Rotulagem de dados (Amazon SageMaker Ground Truth)
+ Feature Store
+ Análise de desvio (Clarify)
+ Implantação de modelos
+ Monitoramento de modelos
O Studio Classic também oferece suporte a controle de acesso e segurança refinados usando AWS Identity and Access Management (IAM), Amazon Virtual Private Cloud (Amazon VPC) e (). AWS Key Management Service AWS KMS O Studio Lab não oferece suporte a esses recursos do Studio Classic, nem ao uso de estimadores e algoritmos de SageMaker IA integrados.
Para exportar seus projetos do Studio Lab para uso com o Studio Classic, consulte [Exportar um ambiente do Amazon SageMaker Studio Lab para o Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
Os tópicos a seguir fornecem informações sobre o Studio Lab e como usá-lo
**Topics**
+ [Visão geral dos componentes do Amazon SageMaker Studio Lab](studio-lab-overview.md)
+ [Faça parte do Amazon SageMaker Studio Lab](studio-lab-onboard.md)
+ [Gerenciar sua conta](studio-lab-manage-account.md)
+ [Inicie o tempo de execução do seu projeto Amazon SageMaker Studio Lab](studio-lab-manage-runtime.md)
+ [Use os ativos iniciais do Amazon SageMaker Studio Lab](studio-lab-integrated-resources.md)
+ [Ambientes pré-instalados do Studio Lab](studio-lab-environments.md)
+ [Use o tempo de execução do projeto Amazon SageMaker Studio Lab](studio-lab-use.md)
+ [Solução de problemas](studio-lab-troubleshooting.md)
# Visão geral dos componentes do Amazon SageMaker Studio Lab
O Amazon SageMaker Studio Lab consiste nos seguintes componentes. Os tópicos a seguir apresentam mais detalhes sobre esses componentes.
**Topics**
+ [Página de destino](#studio-lab-overview-landing)
+ [Conta do Studio Lab](#studio-lab-overview-account)
+ [Página de visão geral do projeto](#studio-lab-overview-project-overview)
+ [Página de pré-visualização](#studio-lab-overview-preview)
+ [Projeto](#studio-lab-overview-project)
+ [Tipo de instância de computação](#studio-lab-overview-project-compute)
+ [Tempo de execução do projeto](#studio-lab-overview-runtime)
+ [Sessão](#studio-lab-overview-session)
## Página de destino
Você pode solicitar uma conta e fazer login em uma conta existente na sua página de destino. Para navegar até a página inicial, consulte o [site do Amazon SageMaker Studio Lab](https://studiolab.sagemaker.aws/). Para obter mais informações sobre como criar uma conta Studio Lab, consulte [Faça parte do Amazon SageMaker Studio Lab](studio-lab-onboard.md).
A captura de tela a seguir mostra a interface da página de destino do Studio Lab para solicitar uma conta de usuário e fazer login.
![\[O layout da página inicial do Amazon SageMaker Studio Lab.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio-lab-landing.png)
## Conta do Studio Lab
Sua conta do Studio Lab dá acesso ao Studio Lab. Para mais informações sobre como criar uma conta de usuário, consulte [Faça parte do Amazon SageMaker Studio Lab](studio-lab-onboard.md).
## Página de visão geral do projeto
Você pode executar uma instância de computação e exibir informações sobre seu projeto nesta página. Para navegar até essa página, você deve fazer login no [site do Amazon SageMaker Studio Lab](https://studiolab.sagemaker.aws/). A URL assumirá o seguinte formato:
```
https://studiolab.sagemaker.aws/users/
```
A captura de tela a seguir mostra uma visão geral do projeto na interface de usuário do Studio Lab.
![\[O layout da interface de usuário da visão geral do projeto.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio-lab-overview.png)
## Página de pré-visualização
Nesta página, você pode acessar uma pré-visualização somente leitura de um caderno Jupyter. Você não pode executar o caderno a partir da pré-visualização, mas você pode copiar esse caderno para o seu projeto. Para muitos clientes, essa pode ser a primeira página do Studio Lab que os clientes veem, pois eles podem estar abrindo um caderno a partir do GitHub notebook. Para obter mais informações sobre como usar GitHub os recursos, consulte[Use GitHub recursos](studio-lab-use-external.md#studio-lab-use-external-clone-github).
Para copiar a pré-visualização do caderno para seu projeto do Studio Lab:
1. Faça login na sua conta do Studio Lab. Para obter mais informações sobre como criar uma conta Studio Lab, consulte [Faça parte do Amazon SageMaker Studio Lab](studio-lab-onboard.md).
1. Na **Instância de computação de Cadernos**, escolha um tipo de instância de computação. Para obter mais informações sobre os tipos de instâncias de computação, consulte [Tipo de instância de computação](#studio-lab-overview-project-compute).
1. Escolha **Iniciar runtime**. Você pode ser solicitado a resolver um quebra-cabeça de CAPTCHA. Para obter mais informações sobre CAPTCHA, consulte [O que é um quebra-cabeça CAPTCHA](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)?
1. Configuração única, para iniciar pela primeira vez o runtime usando sua conta do Studio Lab:
1. Insira um número de celular para associar à sua conta do Amazon SageMaker Studio Lab e escolha **Continuar**.
Para obter informações sobre países e regiões com suporte, consulte [Países e regiões compatíveis (canal de SMS)](https://docs.aws.amazon.com/pinpoint/latest/userguide/channels-sms-countries.html).
1. Insira o código de 6 dígitos enviado para o número de telefone celular associado e escolha **Verificar.**
1. Escolha **Copiar para o projeto**.
## Projeto
Seu projeto contém todos os seus arquivos e pastas, incluindo seus blocos de anotação Jupyter. Você tem controle total sobre os arquivos do seu projeto. Seu projeto também inclui a interface de usuário JupyterLab baseada. A partir dessa interface, você pode interagir com seus notebooks Jupyter, editar seus arquivos de código-fonte, integrar-se e conectar-se ao Amazon S3. GitHub Para obter mais informações, consulte [Use o tempo de execução do projeto Amazon SageMaker Studio Lab](studio-lab-use.md).
A captura de tela a seguir mostra o projeto Studio Lab com o navegador de arquivos aberto e o inicializador do Studio Lab exibido.
![\[O layout da interface do usuário do projeto.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio-lab-ui.png)
## Tipo de instância de computação
O tempo de execução do projeto do Amazon SageMaker Studio Lab é baseado em uma instância EC2. Você tem 15 GB de armazenamento e 16 GB de RAM. A disponibilidade das instâncias de computação não é garantida e está sujeita à demanda. Se você precisar de armazenamento adicional ou de recursos de computação, considere mudar para o Studio.
O Amazon SageMaker Studio Lab oferece a opção de uma CPU (Unidade Central de Processamento) e uma GPU (Unidade de Processamento Gráfico). As seções a seguir fornecem informações sobre essas duas opções, incluindo orientação de seleção.
**CPU**
Uma unidade central de processamento (CPU) foi projetada para processar um grande intervalo de tarefas de forma eficiente, mas é limitada na quantidade de tarefas que pode executar simultaneamente. Para machine learning, uma CPU é recomendada para algoritmos de computação intensiva, como séries temporais, previsões e dados tabulares.
O tipo de computação da CPU tem até 4 horas por vez, com um limite de 8 horas em um período de 24 horas.
**GPU**
Uma unidade de processamento gráfico (GPU) foi projetada para renderizar imagens e vídeos de alta resolução simultaneamente. Uma GPU é recomendada para tarefas de aprendizado profundo, especialmente para transformadores e visão computacional.
O tipo de computação da GPU tem até 4 horas por vez, com um limite de 4 horas em um período de 24 horas.
**Tempo de computação**
Quando o tempo de computação do Studio Lab atinge seu limite de tempo, a instância interrompe todos os cálculos em execução. O Studio Lab não é compatível com aumentos de limite de tempo.
O Studio Lab salva automaticamente seu ambiente quando você atualiza seu ambiente e sempre que cria um novo arquivo. Extensões instaladas e pacotes personalizados persistem mesmo após o fim do runtime.
As edições dos arquivos são salvas periodicamente, mas não são salvas quando o runtime termina. Para garantir que você não perca seu andamento, salve seu trabalho manualmente. Se você tem conteúdo em seu projeto do Studio Lab que não quer perder, recomendamos que faça backup do seu conteúdo em outro lugar. Para obter mais informações sobre como exportar seu ambiente e seus arquivos, consulte [Exportar um ambiente do Amazon SageMaker Studio Lab para o Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
Durante a computação longa, você não precisa manter seu projeto aberto. Por exemplo, você pode começar o treinamento de um modelo e fechar seu navegador. A instância continua em execução até o limite do tipo de computação em um período de 24 horas. Em seguida, você pode fazer login mais tarde para continuar seu trabalho.
Recomendamos que você use o ponto de verificação em seus trabalhos de aprendizado profundo. Você pode usar pontos de verificação salvos para reiniciar um trabalho a partir do ponto de verificação salvo anteriormente. Para obter mais informações, consulte o arquivo [I/O](https://d2l.ai/chapter_deep-learning-computation/read-write.html?highlight=checkpointing).
## Tempo de execução do projeto
O runtime do projeto é o período em que sua instância de computação está em execução.
## Sessão
Uma sessão de usuário começa toda vez que você inicia seu projeto.
# Faça parte do Amazon SageMaker Studio Lab
Para se integrar ao Amazon SageMaker Studio Lab, siga as etapas deste guia. Nas seções a seguir, você aprenderá como solicitar uma conta do Studio Lab, criar sua conta e fazer login.
**Topics**
+ [Solicite uma conta do Studio Lab](#studio-lab-onboard-request)
+ [Crie uma conta do Studio Lab](#studio-lab-onboard-register)
+ [Faça login no Studio Lab.](#studio-lab-onboard-signin)
## Solicite uma conta do Studio Lab
Para usar o Studio Lab, você deve primeiro solicitar aprovação para criar uma conta do Studio Lab. Uma AWS conta não pode ser usada para integração no Studio Lab.
As etapas a seguir mostram como solicitar uma conta do Studio Lab.
1. Navegue até a [página inicial do Studio Lab](https://studiolab.sagemaker.aws).
1. Selecione **Solicitar conta**.
1. Insira as informações necessárias no formulário.
1. Selecione **Enviar solicitação**.
1. Se o seu endereço de e-mail for confirmado, siga as instruções no e-mail para concluir essa etapa.
Sua solicitação de conta deve ser aprovada antes que você possa se registrar em uma conta do Studio Lab. Sua solicitação será analisada em até cinco dias úteis. Quando sua solicitação de conta for aprovada, você receberá um e-mail com um link para a página de registro da conta do Studio Lab. Esse link expira sete dias após a aprovação da solicitação. Se o link expirar, você deverá enviar uma nova solicitação de conta.
Observação: sua solicitação de conta será negada se o seu e-mail tiver sido associado a uma atividade que viole nossos [Termos de Serviço](https://aws.amazon.com/service-terms/) ou outros acordos.
### Códigos de referência
Os códigos de referência do Studio Lab permitem que novas solicitações de conta sejam aprovadas automaticamente para apoiar eventos de machine learning, como workshops, hackathons e aulas. Com um código de referência, um anfitrião confiável pode fazer com que seus participantes tenham acesso imediato ao Studio Lab. Depois que uma conta é criada usando um código de referência, a conta continua existindo após a expiração do código.
Para obter um código de referência, entre em contato com o [Suporte de Vendas](https://aws.amazon.com/contact-us/sales-support/). Para usar um código de referência, insira o código como parte do formulário de solicitação de conta.
## Crie uma conta do Studio Lab
Depois que sua solicitação for aprovada, siga as etapas a seguir para criar sua conta do Studio Lab.
1. Selecione **Criar conta** no e-mail de aprovação da solicitação de conta para abrir uma nova página.
1. Na nova página, insira seu **e-mail**, uma **senha** e um **nome de usuário**.
1. Selecione **Criar conta**.
Você pode ser solicitado a resolver um quebra-cabeça de CAPTCHA. Para obter mais informações sobre CAPTCHA, consulte [O que é um quebra-cabeça de CAPTCHA?](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)
## Faça login no Studio Lab.
Depois de criar sua conta, você poderá fazer login no Studio Lab.
1. Navegue até a [página inicial do Studio Lab](https://studiolab.sagemaker.aws).
1. Selecione **Entrar** para abrir uma nova página.
1. Digite seu **e-mail** ou **nome de usuário** e **senha**.
1. Selecione **Entrar** para abrir uma nova página.
Você pode ser solicitado a resolver um quebra-cabeça de CAPTCHA. Para obter mais informações sobre CAPTCHA, consulte [O que é um quebra-cabeça CAPTCHA](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)?
# Gerenciar sua conta
O tópico a seguir fornece informações sobre como gerenciar sua conta, incluindo alterar sua senha, excluir sua conta e obter as informações que coletamos. Esses tópicos exigem que você faça login na sua conta do Amazon SageMaker Studio Lab. Para obter mais informações, consulte [Faça login no Studio Lab.](studio-lab-onboard.md#studio-lab-onboard-signin).
## Alterar a senha
Siga estas etapas para alterar sua senha do Amazon SageMaker Studio Lab.
1. Navegue até a página de visão geral do projeto do Studio Lab. O URL assumirá o seguinte formato.
```
https://studiolab.sagemaker.aws/users/
```
1. No canto superior direito, selecione seu nome de usuário para abrir um menu suspenso.
1. No menu suspenso, selecione **Alterar senha** para abrir uma nova página.
1. Digite sua senha atual no campo **Digite sua senha atual**.
1. Insira sua nova senha nos campos **Criar uma nova senha** e **Confirmar sua nova senha**.
1. Selecione **Submit (Enviar)**.
## Excluir sua conta
Siga estas etapas para excluir sua conta do Studio Lab.
1. Navegue até a página de visão geral do projeto do Studio Lab. O URL assumirá o seguinte formato.
```
https://studiolab.sagemaker.aws/users/
```
1. No canto superior direito, selecione seu nome de usuário para abrir um menu suspenso.
1. No menu suspenso, selecione **Excluir conta** para abrir uma nova página.
1. Digite sua senha para confirmar a exclusão da sua conta do Studio Lab.
1. Selecione **Excluir**.
## Informações do cliente
O Studio Lab coleta seu endereço de e-mail, nome de usuário, senha criptografada, arquivos de projeto e metadados. Ao solicitar uma conta, você pode optar por fornecer seu nome e sobrenome, país, nome da organização, ocupação e o motivo do seu interesse neste produto. Protegemos todos os dados pessoais dos clientes com criptografia. Para obter mais informações sobre como suas informações pessoais são tratadas, consulte o [Aviso de Privacidade](https://aws.amazon.com//privacy/).
Quando você exclui sua conta, todas as suas informações são excluídas imediatamente. Se você tiver alguma dúvida sobre isso, envie o [formulário Amazon SageMaker Studio Lab](https://pages.awscloud.com/GLOBAL_PM_PA_amazon-sagemaker_20211116_7014z000000rjq2-registration.html). Para obter informações e suporte relacionados à AWS conformidade, consulte [Suporte de conformidade](https://aws.amazon.com//contact-us/compliance-support/).
# Inicie o tempo de execução do seu projeto Amazon SageMaker Studio Lab
O tempo de execução do projeto Amazon SageMaker Studio Lab permite que você escreva e execute código diretamente do seu navegador. Ele é baseado JupyterLab e possui um terminal e console integrados. Para obter mais informações sobre JupyterLab, consulte a [JupyterLabdocumentação](https://jupyterlab.readthedocs.io/en/stable/).
O tópico a seguir fornece informações sobre como gerenciar o runtime do projeto. Esses tópicos exigem que você faça login na sua conta do Amazon SageMaker Studio Lab. Para obter mais informações sobre como fazer login, consulte [Faça login no Studio Lab.](studio-lab-onboard.md#studio-lab-onboard-signin). Para obter mais informações sobre o seu projeto, consulte [Visão geral dos componentes do Amazon SageMaker Studio Lab](studio-lab-overview.md).
**Topics**
+ [Inicie o runtime do projeto](#studio-lab-manage-runtime-start)
+ [Interrompa o runtime do projeto](#studio-lab-manage-runtime-stop)
+ [Exibir o tempo de computação restante](#studio-lab-manage-runtime-view)
+ [Alterar seu tipo de computação](#studio-lab-manage-runtime-change)
## Inicie o runtime do projeto
Para usar o Studio Lab, você deve iniciar o runtime do projeto. Esse tempo de execução fornece acesso ao JupyterLab ambiente.
1. Navegue até a página de visão geral do projeto do Studio Lab. O URL assumirá o seguinte formato.
```
https://studiolab.sagemaker.aws/users/
```
1. Em **Meu projeto**, selecione um tipo de computação. Para obter informações sobre tipos de dados, consulte [Tipo de instância de computação](studio-lab-overview.md#studio-lab-overview-project-compute).
1. Selecione **Iniciar runtime**.
Você pode ser solicitado a resolver um quebra-cabeça de CAPTCHA. Para obter mais informações sobre CAPTCHA, consulte [O que é um quebra-cabeça CAPTCHA](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)?
1. Configuração única, para iniciar pela primeira vez o runtime usando sua conta do Studio Lab:
1. Insira um número de celular para associar à sua conta do Amazon SageMaker Studio Lab e escolha **Continuar**.
Para obter informações sobre países e regiões com suporte, consulte [Países e regiões compatíveis (canal de SMS)](https://docs.aws.amazon.com/pinpoint/latest/userguide/channels-sms-countries.html).
1. Insira o código de 6 dígitos enviado para o número de celular associado e escolha **Verificar.**
1. Depois que o runtime estiver em execução, selecione **Abrir projeto** para abrir o ambiente de execução do projeto em uma nova guia do navegador.
## Interrompa o runtime do projeto
Quando você interrompe o runtime do projeto, seus arquivos não são salvos automaticamente. Para garantir que você não perca seu trabalho, salve todas as alterações antes de interromper o runtime do projeto.
+ Em **Meu projeto**, selecione **Interromper o runtime**.
## Exibir o tempo de computação restante
O runtime do seu projeto tem tempo de computação limitado com base no tipo de computação selecionado. Para obter mais informações sobre o tempo de computação no Studio Lab, consulte [Tipo de instância de computação](studio-lab-overview.md#studio-lab-overview-project-compute).
+ Em **Meu projeto**, veja **Tempo restante**.
## Alterar seu tipo de computação
Você pode alternar seu tipo de computação com base no seu fluxo de trabalho. Para obter informações sobre tipos de dados, consulte [Tipo de instância de computação](studio-lab-overview.md#studio-lab-overview-project-compute).
1. Salve todos os arquivos do projeto antes de alterar o tipo de computação.
1. Navegue até a página de visão geral do projeto do Studio Lab. O URL assumirá o seguinte formato.
```
https://studiolab.sagemaker.aws/users/
```
1. Em **Meu projeto**, selecione o tipo de computação desejado (CPU ou GPU).
1. Confirme sua escolha selecionando **Reiniciar** na caixa de diálogo **Reinicia o runtime do projeto?**. O Studio Lab interrompe o runtime do projeto atual e, em seguida, inicia um novo runtime do projeto com seu tipo de computação atualizado.
1. Depois que o runtime do seu projeto for iniciado, selecione **Abrir projeto**. Isso abre o ambiente de execução do projeto em uma nova guia do navegador. Para obter mais informações sobre usar o ambiente de runtime do projeto, consulte [Use o tempo de execução do projeto Amazon SageMaker Studio Lab](studio-lab-use.md).
# Use os ativos iniciais do Amazon SageMaker Studio Lab
O Amazon SageMaker Studio Lab oferece suporte aos seguintes ativos para ajudar os profissionais de aprendizado de máquina (ML) a começarem. Este guia mostra como clonar cadernos para o seu projeto.
**Comece a usar o bloco de anotações**
O Studio Lab vem com um caderno inicial que fornece informações gerais e orienta você nos principais fluxos de trabalho. Quando você inicia o tempo de execução do seu projeto pela primeira vez, esse caderno é aberto automaticamente.
**Mergulhe no aprendizado profundo**
“Dive into Deep Learning” (D2L) é um livro interativo e de código aberto que ensina as ideias, a teoria matemática e o código que impulsionam o machine learning. Com mais de 150 blocos de anotações Jupyter, o D2L fornece uma visão geral abrangente dos princípios de aprendizado profundo. Para obter mais informações sobre D2L, consulte o [site do D2L](https://d2l.ai/).
O procedimento a seguir mostra como clonar os blocos de anotações Jupyter D2L na sua instância.
1. Inicie e abra o ambiente de tempo de execução do projeto Studio Lab seguindo [Inicie o runtime do projeto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. Depois que o Studio Lab estiver aberto, escolha a guia Git (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/git.png)) na barra lateral esquerda.
1. Escolha **Clonar um repositório**.
Se você não vir a opção **Clonar um repositório**, pode ser que, no momento, você esteja em um repositório do Git. Em vez disso, use as subetapas a seguir.
1. Escolha o ícone de pasta (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder.png)) na barra lateral à esquerda.
1. Abaixo da barra de pesquisa de arquivos, escolha o ícone de pasta à esquerda do repositório selecionado no momento. Ao passar o mouse sobre o ícone de pasta, você verá o diretório do usuário (`/home/studio-lab-user`).
1. Quando estiver no diretório do usuário, escolha a guia Git na barra lateral esquerda.
1. Escolha **Clonar um repositório**.
1. Em **URL do repositório Git (.git),** você deverá fornecer um URL.
1. Em uma nova guia do navegador, acesse a página de visão geral do projeto do Studio Lab. A URL assumirá o seguinte formato:
```
https://studiolab.sagemaker.aws/users/
```
1. Em **Novo em machine learning?** , escolha **Mergulhar no aprendizado profundo**.
1. Na nova guia do navegador **Dive into Deep Learning**, escolha **GitHub**abrir uma nova página com os exemplos de cadernos.
1. Escolha **Código** e copie a URL do GitHub repositório na guia **HTTPS**.
1. Volte para a guia do navegador do projeto aberto do Studio Lab, cole a URL do repositório D2L e clone o repositório.
**AWS Universidade de Machine Learning**
A AWS Machine Learning University (MLU) fornece acesso aos cursos de aprendizado de máquina usados para treinar os próprios desenvolvedores da Amazon. Com o AWS MLU, qualquer desenvolvedor pode aprender a usar o aprendizado de máquina com a série de aprendizado learn-at-your-own -pace MLU Accelerator. A série do Acelerador MLU foi projetada para ajudar os desenvolvedores a iniciarem sua jornada de ML. Ela oferece cursos básicos de três dias sobre esses três assuntos: processamento de linguagem natural, dados tabulares e visão computacional. Para obter mais informações, consulte a [Machine learning University](https://aws.amazon.com//machine-learning/mlu/).
O procedimento a seguir mostra como clonar os notebooks AWS MLU Jupyter na sua instância.
1. Inicie e abra o ambiente de tempo de execução do projeto Studio Lab seguindo [Inicie o runtime do projeto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. Depois que o Studio Lab estiver aberto, escolha a guia Git (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/git.png)) na barra lateral esquerda.
1. Escolha **Clonar um repositório**.
Se você não vir a opção **Clonar um repositório**, pode ser que, no momento, você esteja em um repositório do Git. Em vez disso, use as subetapas a seguir.
1. Escolha o ícone de pasta (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder.png)) na barra lateral à esquerda.
1. Abaixo da barra de pesquisa de arquivos, escolha o ícone de pasta à esquerda do repositório selecionado no momento. Ao passar o mouse sobre o ícone de pasta, você verá o diretório do usuário (`/home/studio-lab-user`).
1. Quando estiver no diretório do usuário, escolha a guia Git na barra lateral esquerda.
1. Escolha **Clonar um repositório**.
1. Em **URL do repositório Git (.git),** você deverá fornecer um URL.
1. Em uma nova guia do navegador, acesse a página de visão geral do projeto do Studio Lab. A URL assumirá o seguinte formato:
```
https://studiolab.sagemaker.aws/users/
```
1. Em **Novo no machine learning?**, escolha **AWS Machine Learning University**.
1. Na nova guia do navegador **da AWS Machine Learning University**, encontre um curso que lhe interessa lendo o **resumo** de cada curso.
1. Escolha o GitHub repositório de interesse correspondente em **Conteúdo do curso** para abrir uma nova página com os exemplos de cadernos.
1. Escolha **Código** e copie a URL do GitHub repositório na guia **HTTPS**.
1. Volte para a guia do navegador de projeto aberto do Studio Lab, cole o URL do repositório MLU e escolha **Clonar** para clonar o repositório.
**Roboflow**
O Roboflow fornece as ferramentas para treinar, ajustar e rotular objetos para aplicativos de visão computacional. Para obter mais informações, consulte [https://roboflow.com/](https://roboflow.com/).
O procedimento a seguir mostra como clonar os blocos de anotações Jupyter Roboflow na sua instância.
1. Navegue até a página de visão geral do projeto do Studio Lab. A URL assumirá o seguinte formato.
```
https://studiolab.sagemaker.aws/users/
```
1. Em **Recursos e comunidade**, encontre **Criar imagens geradas por IA**.
1. Em **Criar imagens geradas por IA**, escolha **Abrir caderno**.
1. Siga o tutorial na pré-visualização do Caderno.
# Ambientes pré-instalados do Studio Lab
O Amazon SageMaker Studio Lab usa ambientes conda para gerenciar pacotes (ou bibliotecas) para seus projetos. Este guia explica o que são ambientes conda, como interagir com eles e os diferentes ambientes pré-instalados disponíveis no Studio Lab.
Um ambiente conda é um diretório que contém uma coleção de pacotes que você instalou. Ele permite criar ambientes isolados com versões específicas de pacotes, evitando conflitos entre projetos com dependências diferentes.
Você pode interagir com ambientes conda no Studio Lab de duas maneiras:
+ Terminal: use o terminal para criar, ativar e gerenciar ambientes.
+ JupyterLab Notebook: Ao abrir um JupyterLab notebook, selecione o kernel com o nome do ambiente que você deseja usar para usar os pacotes instalados nesse ambiente.
Para uma explicação passo a passo a respeito de como gerenciar seus ambientes, consulte [Gerenciar seu ambiente](studio-lab-use-manage.md).
O Studio Lab vem com vários ambientes pré-instalados que são ambientes de memória persistente ou não persistente. Todas as alterações feitas nos ambientes de memória persistente permanecerão para sua próxima sessão. Qualquer alteração nos ambientes de memória não persistente não permanecerá para suas próximas sessões, mas os pacotes contidos nele serão atualizados e testados quanto à compatibilidade pela Amazon SageMaker AI. A seguir, uma visão geral de cada ambiente e seu caso de uso:
+ `sagemaker-distribution`: Um ambiente não persistente gerenciado pela Amazon SageMaker AI. Contém pacotes amplamente conhecidos para machine learning, ciência de dados e visualização. Esse ambiente é atualizado e testado regularmente quanto à compatibilidade. Use esse ambiente se quiser uma configuração totalmente gerenciada com pacotes comuns pré-instalados.
O `sagemaker-distribution` ambiente está intimamente relacionado ao ambiente usado no Amazon SageMaker Studio Classic, portanto, depois de passar do Studio Lab para o Studio Classic, os notebooks devem funcionar da mesma forma. Para informações sobre como exportar seu ambiente do Studio Lab para o Studio Classic, consulte [Exportar um ambiente do Amazon SageMaker Studio Lab para o Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
+ `default`: Um ambiente persistente com pacotes mínimos pré-instalados. Use esse ambiente se quiser personalizá-lo significativamente instalando pacotes adicionais.
+ `studiolab`: Um ambiente persistente em que JupyterLab pacotes relacionados são instalados. Use esse ambiente para configurar a interface do JupyterLab usuário e instalar as extensões do servidor Jupyter.
+ `studiolab-safemode`: um ambiente não persistente ativado automaticamente quando há um problema como runtime do seu projeto. Use esse ambiente para fins de solução de problemas. Para obter mais informações sobre solução de problemas, consulte [Solução de problemas](studio-lab-troubleshooting.md).
+ `base`: um ambiente não persistente usado para ferramentas do sistema. Esse ambiente não se destina ao uso do cliente.
Para visualizar os pacotes em um ambiente, execute o comando `conda list`.
Para obter mais informações sobre a instalação de pacotes em seu ambiente, consulte [Personalizar seu ambiente](studio-lab-use-manage.md#studio-lab-use-manage-conda-default-customize).
Se você planeja passar do Studio Lab para o Amazon SageMaker Studio Classic, consulte[Exportar um ambiente do Amazon SageMaker Studio Lab para o Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
Para obter informações sobre SageMaker imagens e suas versões, consulte[SageMaker Imagens da Amazon disponíveis para uso com notebooks Studio Classic](notebooks-available-images.md).
# Use o tempo de execução do projeto Amazon SageMaker Studio Lab
Os tópicos a seguir fornecem informações sobre o uso do tempo de execução do projeto Amazon SageMaker Studio Lab. Antes de usar o tempo de execução do projeto Studio Lab, você deve se integrar ao Studio Lab seguindo as etapas em[Faça parte do Amazon SageMaker Studio Lab](studio-lab-onboard.md).
**Topics**
+ [Visão geral da interface do usuário do Amazon SageMaker Studio Lab](studio-lab-use-ui.md)
+ [Crie ou abra um caderno do Amazon SageMaker Studio Lab](studio-lab-use-create.md)
+ [Use a barra de ferramentas do notebook Amazon SageMaker Studio Lab](studio-lab-use-menu.md)
+ [Gerenciar seu ambiente](studio-lab-use-manage.md)
+ [Use recursos externos no Amazon SageMaker Studio Lab](studio-lab-use-external.md)
+ [Obter diferenças dos cadernos](studio-lab-use-diff.md)
+ [Exportar um ambiente do Amazon SageMaker Studio Lab para o Amazon SageMaker Studio Classic](studio-lab-use-migrate.md)
+ [Encerre os recursos do Studio Lab](studio-lab-use-shutdown.md)
# Visão geral da interface do usuário do Amazon SageMaker Studio Lab
O Amazon SageMaker Studio Lab estende a JupyterLab interface. Usuários anteriores do JupyterLab notarão semelhanças entre a interface do usuário JupyterLab e do Studio Lab, incluindo o espaço de trabalho. Para obter uma visão geral da JupyterLab interface básica, consulte [A JupyterLab interface](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
A imagem a seguir mostra o Studio Lab com o navegador de arquivos aberto e a página do Studio Lab Launcher exibida.
![\[O layout da interface do usuário do projeto.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio-lab-ui.png)
Você encontrará a *barra de menus* na parte superior da tela. À *barra lateral esquerda* contém ícones para abrir diferentes navegadores de arquivos, recursos e ferramentas. A *barra de status* está localizada no canto inferior esquerdo do Studio Lab.
A área de trabalho principal é dividida horizontalmente em dois painéis. O painel esquerdo é o *navegador de arquivos e recursos*. O painel direito contém uma ou mais guias para recursos como cadernos e terminais.
**Topics**
+ [Barra lateral esquerda](#studio-lab-use-ui-nav-bar)
+ [Navegador de arquivos e recursos](#studio-lab-use-ui-browser)
+ [Área de trabalho principal](#studio-lab-use-ui-work)
## Barra lateral esquerda
A barra lateral esquerda inclui os ícones a seguir. Quando você passa o mouse sobre um ícone, uma dica de ferramenta exibe o nome do ícone. Quando você escolhe um ícone, o navegador de arquivos e recursos exibe a funcionalidade descrita. Para entradas hierárquicas, uma navegação estrutural na parte superior do navegador mostra a localização na hierarquia.
| Ícone | Description |
| --- | --- |
| ![\[O ícone do Navegador de arquivos\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/File_browser_squid@2x.png) | **Navegador de arquivos** Selecione o ícone **Fazer upload de arquivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/File_upload_squid.png)) para adicionar arquivos ao Studio Lab. Clique duas vezes em um arquivo para abri-lo em uma nova guia. Para abrir arquivos adjacentes, escolha uma guia que contenha um caderno, Python ou arquivo de texto e, em seguida, escolha **Nova visualização de arquivo**. Selecione o sinal de mais (**\$1**) no menu da parte superior do navegador de arquivos para abrir o Studio Lab Launcher. |
| ![\[O ícone Terminais e kernels em execução\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/Running_squid@2x.png) | **Terminais e kernels em execução** Você pode ver uma lista de todos os Execução de terminais e kernels em seu projeto. Para obter mais informações, consulte [Encerre os recursos do Studio Lab](studio-lab-use-shutdown.md). |
| ![\[O ícone Git\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/Git_squid@2x.png) | **Git** É possível se conectar a um repositório do Git e acessar uma gama completa de ferramentas e operações do Git. Para obter mais informações, consulte [Use recursos externos no Amazon SageMaker Studio Lab](studio-lab-use-external.md). |
| ![\[O ícone Índice\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab-toc.png) | **Índice** Você pode acessar o Índice do seu caderno Jupyter atual. |
| ![\[O ícone do Gerente de Extensão\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab-extension.png) | **Gerenciador de extensões** Você pode ativar e gerenciar JupyterLab extensões de terceiros. |
## Navegador de arquivos e recursos
O navegador de arquivos e recursos mostra as listas de seus cadernos e arquivos. No menu, na parte superior do navegador de arquivos, escolha o sinal de adição (**\$1**) para abrir o Studio Lab Launcher. O Launcher permite criar um caderno ou abrir um terminal.
## Área de trabalho principal
A área de trabalho principal tem várias guias que contêm seus cadernos e terminais abertos.
# Crie ou abra um caderno do Amazon SageMaker Studio Lab
Ao criar um notebook no Amazon SageMaker Studio Lab ou abrir um notebook no Studio Lab, você deve selecionar um kernel para o notebook. Os tópicos a seguir descrevem como criar e abrir cadernos no Studio Lab.
Para obter informações sobre como encerrar o caderno, consulte [Encerre os recursos do Studio Lab](studio-lab-use-shutdown.md).
**Topics**
+ [Abra um caderno do Studio Lab](#studio-lab-use-create-open)
+ [Criar um caderno no menu File (Arquivo)](#studio-lab-use-create-file)
+ [Criar um caderno a partir do inicializador](#studio-lab-use-create-launcher)
## Abra um caderno do Studio Lab
O Studio Lab só pode abrir os cadernos listados no navegador de arquivos do Studio Lab. Para clonar um caderno em seu navegador de arquivos a partir de um repositório externo, consulte [Use recursos externos no Amazon SageMaker Studio Lab](studio-lab-use-external.md).
**Como abrir um caderno**
1. Na barra lateral à esquerda, escolha o ícone **Navegador de arquivos** (![\[Dark blue square icon with a white outline of a cloud and an arrow pointing upward.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/File_browser_squid.png)) para exibir o navegador de arquivos.
1. Navegue e clique duas vezes em um arquivo de caderno para abri-lo em uma nova aba.
## Criar um caderno no menu File (Arquivo)
**Como criar um caderno a partir do menu Arquivo**
1. No menu do Studio Lab, escolha **Arquivo**, escolha **Novo** e **Caderno**.
1. Para usar o kernel padrão, na caixa de diálogo **Selecionar kernel**, escolha **Selecionar.** Caso contrário, para selecionar um kernel diferente, use o menu suspenso.
## Criar um caderno a partir do inicializador
**Como criar um caderno a partir do inicializador**
1. Abra o Launcher usando o atalho do teclado `Ctrl + Shift + L`.
Como alternativa, você pode abrir o Launcher na barra lateral esquerda: escolha o ícone **Navegador de arquivos** e, em seguida, escolha o ícone de adição (**\$1**).
1. Para usar o kernel padrão do Launcher, em **Caderno**, escolha **default:Python**. Caso contrário, selecione um kernel diferente.
Depois que você escolher o kernel, o caderno será iniciado e aberto em uma nova guia do Studio Lab.
Para visualizar a sessão do kernel do caderno, na barra lateral esquerda, escolha o ícone **Terminals e kernels em execução** (![\[Square icon with a white outline of a cloud on a dark blue background.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/Running_squid.png)). Você pode interromper a sessão do kernel do caderno nessa visualização.
# Use a barra de ferramentas do notebook Amazon SageMaker Studio Lab
Os notebooks do Amazon SageMaker Studio Lab ampliam a JupyterLab interface. Para obter uma visão geral da JupyterLab interface básica, consulte [A JupyterLab interface](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
A imagem a seguir mostra a barra de menus e uma célula vazia de um caderno do Studio.
![\[O layout da barra de ferramentas do caderno, incluindo os ícones da barra de ferramentas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio-lab-menu.png)
Ao passar o mouse sobre um ícone de barra de ferramentas, uma dica de ferramenta exibe a função do ícone. Há comandos adicionais do caderno no menu principal do Studio. A barra de ferramentais inclui os ícones a seguir:
| Ícone | Description |
| --- | --- |
| ![\[O ícone Salvar e verificar.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab-save-and-checkpoint.png) | **Salvar e ponto de verificação** Salva o caderno e atualiza o arquivo do ponto de verificação. |
| ![\[O ícone Inserir célula.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab-insert-cell.png) | **Inserir célula** Insere uma célula de código abaixo da célula atual. A célula atual é indicada pelo marcador vertical azul na margem esquerda. |
| ![\[O ícone Cortar, copiar e colar células.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab_cut_copy_paste.png) | **Recortar, copiar e colar células** Corta, copia e cola as células selecionadas. |
| ![\[O ícone Executar células.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab-run.png) | **Executar células** Executa as células selecionadas. A célula que segue a última célula selecionada se torna a nova célula selecionada. |
| ![\[O ícone Interromper o kernel.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab-interrupt-kernel.png) | **Interromper o kernel** Interrompe o kernel que cancela a operação em execução. O kernel permanece ativo. |
| ![\[O ícone Reiniciar o kernel.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab-restart-kernel.png) | **Reiniciar o kernel** Reinicia o kernel. As variáveis são redefinidas. As informações não salvas não são efetivadas. |
| ![\[Ícone Reiniciar o kernel e executar novamente o caderno.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab-restart-rerun-kernel.png) | **Reinicie o kernel e execute novamente o caderno** Reinicia o kernel. As variáveis são redefinidas. As informações não salvas não são efetivadas. Em seguida, executa novamente o caderno inteiro. |
| ![\[O ícone do tipo de célula.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab_cell.png) | **Tipo de célula** Exibe ou altera o tipo de célula atual. Os tipos de células são: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/studio-lab-use-menu.html) |
| ![\[O ícone Diferença de pontos de verificação.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab-checkpoint-diff.png) | **Diferença de pontos de verificação** Abre uma nova aba que exibe a diferença entre o caderno e o arquivo de ponto de verificação. Para obter mais informações, consulte [Obter diferenças dos cadernos](studio-lab-use-diff.md). |
| ![\[O ícone de diferença do Git.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab-git-diff.png) | **Diferença do Git** Somente habilitado se o caderno for aberto a partir de um repositório Git. Abre uma nova aba que exibe a diferença entre o caderno e a última confirmação do Git. Para obter mais informações, consulte [Obter diferenças dos cadernos](studio-lab-use-diff.md). |
| **padrão** | **Kernel** Exibe ou altera o kernel que processa as células no caderno. `No Kernel` indica que o caderno foi aberto sem especificar um kernel. É possível editar o caderno, mas não é possível executar nenhuma célula. |
| ![\[O ícone de status ocupado do Kernel.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/studio-lab-kernel.png) | **Status de ocupado do kernel** Exibe o status ocupado de um kernel mostrando a borda e o interior do círculo com a mesma cor. O kernel está ocupado quando está iniciando e quando está processando células. Estados adicionais do kernel são exibidos na barra de status no canto inferior esquerdo do Studio Lab. |
# Gerenciar seu ambiente
O Amazon SageMaker Studio Lab fornece ambientes pré-instalados para suas instâncias de notebook Studio Lab. Os ambientes permitem que você inicie uma instância de caderno do Studio Lab com os pacotes que você deseja usar. Isso é feito instalando-se pacotes no ambiente e selecionando-se o ambiente como um Kernel.
O Studio Lab tem vários ambientes pré-instalados para você. Normalmente, você vai preferir usar o ambiente `sagemaker-distribution` se quiser usar um ambiente totalmente gerenciado que já contenha muitos pacotes mais conhecidos usados por engenheiros de machine learning (ML) e cientistas de dados. Caso contrário, você pode usar o ambiente `default` se quiser personalização persistente para o seu ambiente. Para obter mais informações sobre os ambientes do Studio Lab pré-instalados disponíveis, consulte [Ambientes pré-instalados do Studio Lab](studio-lab-environments.md).
Você pode personalizar seu ambiente adicionando novos pacotes (ou bibliotecas) a ele. Você também pode criar novos ambientes no Studio Lab, importar ambientes compatíveis, redefinir seu ambiente para criar espaço e muito mais.
Os comandos a seguir são para execução em um terminal do Studio Lab. No entanto, ao instalar pacotes, é altamente recomendável instalá-los em seu Studio caderno Jupyter. Isso garante que os pacotes sejam instalados no ambiente pretendido. Para executar os comandos em um Caderno Jupyter, prefixe o comando com um `%` antes de executar a célula. Por exemplo, o trecho de código `pip list` em um terminal é o mesmo que `%pip list` em um Caderno Jupyter.
As seções a seguir fornecem informações sobre seu ambiente conda `default`, como personalizá-lo e como adicionar e remover ambientes conda. Para obter uma lista de ambientes de amostra que você pode instalar no Studio Lab, consulte [Criação de ambientes conda personalizados](https://github.com/aws/studio-lab-examples/tree/main/custom-environments). Para usar esses arquivos YAML de ambiente de amostra com o Studio Lab, consulte [Etapa 4: Instale os ambientes conda do Studio Lab no Studio Classic](studio-lab-use-migrate.md#studio-lab-use-migrate-step4).
**Topics**
+ [Seu ambiente padrão](#studio-lab-use-manage-conda-default)
+ [Visualizar ambientes](#studio-lab-use-view-conda-envs)
+ [Criar, ativar e usar novos ambientes conda](#studio-lab-use-manage-conda-new-conda)
+ [Usar exemplos de ambientes do Studio Lab](#studio-lab-use-manage-conda-sample)
+ [Personalizar seu ambiente](#studio-lab-use-manage-conda-default-customize)
+ [Atualizar Studio Lab](#studio-lab-use-manage-conda-reset)
## Seu ambiente padrão
O Studio Lab usa ambientes conda para encapsular os pacotes de software necessários para executar caderno. Seu projeto contém um ambiente conda padrão, chamado`default`, com o [IPython kernel](https://ipython.readthedocs.io/en/stable/). Esse ambiente serve como o kernel padrão para seus cadernos Jupyter.
## Visualizar ambientes
Para visualizar os ambientes no Studio Lab, você pode usar um terminal ou Caderno Jupyter. O comando a seguir será para execução em um terminal do Studio Lab. Se você deseja executar os comandos correspondentes em um caderno Jupyter, consulte [Gerenciar seu ambiente](#studio-lab-use-manage).
Abra o terminal do Studio Lab no painel **Navegador de arquivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder.png)), escolha o sinal de adição (**\$1**) no menu na parte superior do navegador de arquivos para abrir o **Inicializador** e escolha **Terminal**. No terminal do Studio Lab, liste os ambientes conda executando o seguinte:
```
conda env list
```
Esse comando gera uma lista dos ambientes conda e suas localizações no sistema de arquivos. Ao se integrar ao Studio Lab, você ativa automaticamente o ambiente `studiolab` conda. Veja a seguir um exemplo de ambientes listados após a integração.
```
# conda environments:
#
default /home/studio-lab-user/.conda/envs/default
studiolab * /home/studio-lab-user/.conda/envs/studiolab
studiolab-safemode /opt/amazon/sagemaker/safemode-home/.conda/envs/studiolab-safemode
base /opt/conda
sagemaker-distribution /opt/conda/envs/sagemaker-distribution
```
`*` marca o ambiente ativado.
## Criar, ativar e usar novos ambientes conda
Se quiser manter vários ambientes para diferentes casos de uso, você pode criar novos ambientes conda em seu projeto. As seções a seguir mostram como criar e ativar novos ambientes conda. Para um notebook Jupyter que mostra como criar um ambiente personalizado, consulte [Configurando um ambiente personalizado no SageMaker Studio](https://github.com/aws/studio-lab-examples/blob/main/custom-environments/custom_environment.ipynb) Lab.
**nota**
A manutenção de vários ambientes conta com a memória disponível do Studio Lab.
**Criar ambiente conda**
Para criar um ambiente conda, execute o seguinte comando conda em seu terminal: Este exemplo cria um novo ambiente com o Python 3.9:
```
conda create --name python=3.9
```
Depois que o ambiente conda é criado, você pode visualizar o ambiente na sua lista de ambientes. Para obter mais informações sobre como visualizar sua lista de ambientes, consulte [Visualizar ambientes](#studio-lab-use-view-conda-envs).
**Ativar um ambiente conda**
Para ativar qualquer ambiente conda, execute o comando a seguir no terminal.
```
conda activate
```
Quando você executa esse comando, todos os pacotes instalados usando conda ou pip são instalados no ambiente. Para obter mais informações sobre a instalação ou atualização de pacotes, consulte [Personalizar seu ambiente](#studio-lab-use-manage-conda-default-customize).
**Usar um ambiente conda**
1. Para usar seus novos ambientes conda com cadernos, certifique-se de que o pacote `ipykernel` esteja instalado no ambiente.
```
conda install ipykernel
```
1. Depois que o pacote `ipykernel` estiver instalado no ambiente, você poderá selecionar o ambiente como o kernel do seu caderno.
Talvez seja necessário reiniciar JupyterLab para ver o ambiente disponível como um kernel. Isso pode ser feito escolhendo **Amazon SageMaker Studio Lab** no menu superior do seu projeto aberto do Studio Lab e escolhendo **Reiniciar JupyterLab...** .
1. Você pode escolher o kernel para um caderno existente ou ao criar um caderno.
+ Para um caderno existente: abra o caderno e escolha o kernel atual no lado direito do menu superior. É possível escolher o kernel que deseja usar no menu suspenso.
+ Para um novo caderno: abra o inicializador do Studio Lab e escolha o kernel em **Caderno**. Isso abrirá o caderno com o kernel que você escolher.
Para obter uma visão geral da interface de usuário do Studio Lab, consulte [Visão geral da interface do usuário do Amazon SageMaker Studio Lab](studio-lab-use-ui.md).
## Usar exemplos de ambientes do Studio Lab
O Studio Lab fornece exemplos de ambientes personalizados por meio do repositório [SageMaker Studio Lab Examples](https://github.com/aws/studio-lab-examples). Veja a seguir como clonar e criar esses ambientes.
1. Clone o GitHub repositório SageMaker Studio Lab Examples seguindo as instruções em. [Use GitHub recursos](studio-lab-use-external.md#studio-lab-use-external-clone-github)
1. No Studio Lab, selecione o ícone **Navegador de arquivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder.png)) no menu à esquerda, para que o painel **Navegador de arquivos** seja exibido à esquerda.
1. Navegue até o diretório `studio-lab-examples/custom-environments` no Navegador de arquivos.
1. Abra o diretório do ambiente que deseja criar.
1. Clique com o botão direito do mouse no arquivo `.yml` na pasta e selecione **Criar ambiente conda.**
1. Agora você pode usar o ambiente como um kernel após a conclusão da construção do ambiente conda. Para obter instruções sobre como usar um ambiente existente como kernel, consulte [Criar, ativar e usar novos ambientes conda](#studio-lab-use-manage-conda-new-conda)
## Personalizar seu ambiente
Você pode personalizar seu ambiente instalando e removendo extensões e pacotes conforme necessário. O Studio Lab traz ambientes com pacotes pré-instalados e o uso de um ambiente existente pode economizar tempo e memória, pois os pacotes pré-instalados não contam com a memória disponível do Studio Lab. Para obter mais informações sobre os ambientes do Studio Lab pré-instalados disponíveis, consulte [Ambientes pré-instalados do Studio Lab](studio-lab-environments.md).
Todas as extensões e pacotes instalados em seu ambiente `default` persistirão em seu projeto. Ou seja, você não precisa instalar seus pacotes para cada sessão de tempo de runtime. No entanto, extensões e pacotes instalados em seu ambiente `sagemaker-distribution` não persistirão, então você precisará instalar novos pacotes durante sua próxima sessão. No entanto, quando instalar pacotes, é altamente recomendável instalá-los em seu caderno para garantir que os pacotes sejam instalados no ambiente pretendido.
Para visualizar seus ambientes, execute o comando `conda env list`.
Para visualizar seu ambiente, execute o comando `conda activate `.
Para visualizar os pacotes em um ambiente, execute o comando `conda list`.
**Instalar pacotes**
É altamente recomendável instalar seus pacotes no seu caderno Jupyter para garantir que os pacotes sejam instalados no ambiente pretendido. Para instalar pacotes adicionais em seu ambiente a partir de um caderno Jupyter, execute um dos seguintes comandos em uma célula dentro do seu caderno Jupyter: Esses comandos instalam pacotes no ambiente atualmente ativado.
+ `%conda install `
+ `%pip install `
Não recomendamos o uso dos comandos `!pip` ou `!conda` porque eles podem se comportar de maneiras inesperadas quando você tem vários ambientes.
Depois de instalar novos pacotes em seu ambiente, talvez seja necessário reiniciar o kernel para garantir que os pacotes funcionem em seu caderno. Isso pode ser feito escolhendo **Amazon SageMaker Studio Lab** no menu superior do seu projeto aberto do Studio Lab e escolhendo **Reiniciar JupyterLab...** .
**Remover pacotes**
Para remover um pacote, execute o comando
```
%conda remove
```
Esse comando também removerá qualquer pacote que dependa de ``, a menos que um substituto possa ser encontrado sem essa dependência.
Para visualizar os pacotes em um ambiente, execute o comando
```
conda deactivate
&& conda env remove --name
```
## Atualizar Studio Lab
Para atualizar o Studio Lab, remova todos os seus ambientes e arquivos.
1. Liste todos os ambientes do conda.
```
conda env list
```
1. Ative o ambiente básico.
```
conda activate base
```
1. Remova cada ambiente da lista de ambientes conda, além do básico.
```
conda remove --name --all
```
1. Exclua todos os arquivos do seu Studio Lab.
```
rm -rf *.*
```
# Use recursos externos no Amazon SageMaker Studio Lab
Com o Amazon SageMaker Studio Lab, você pode integrar recursos externos, como notebooks e dados Jupyter, dos repositórios Git e do Amazon S3. Você também pode adicionar um botão **Abrir no Studio Lab** ao seu GitHub repositório e cadernos. Esse botão permite clonar seus cadernos diretamente do Studio Lab.
Os tópicos a seguir mostram como integrar recursos externos.
**Topics**
+ [Use GitHub recursos](#studio-lab-use-external-clone-github)
+ [Adicione um botão **Abrir no Studio Lab** ao seu caderno](#studio-lab-use-external-add-button)
+ [Importe arquivos do seu computador](#studio-lab-use-external-import)
+ [Conectar-se ao Amazon S3](#studio-lab-use-external-s3)
## Use GitHub recursos
O Studio Lab oferece integração com GitHub. Com essa integração, você pode clonar cadernos e repositórios diretamente no seu projeto do Studio Lab.
Os tópicos a seguir fornecem informações sobre como usar GitHub recursos com o Studio Lab.
### Cadernos de exemplo do Studio Lab
Para começar com um repositório de cadernos de exemplos personalizados para o Studio Lab, consulte [Cadernos de Exemplo do Studio Lab](https://github.com/aws/studio-lab-examples#sagemaker-studio-lab-sample-notebooks).
Esse repositório fornece cadernos para os seguintes casos de uso e outros.
+ Visão computacional
+ Conectando-se a AWS
+ Criar ambientes personalizados
+ Análise de dados geoespaciais
+ Processamento de linguagem natural
+ Usando R
### Clonar um repositório GitHub
Para clonar um GitHub repositório em seu projeto do Studio Lab, siga estas etapas.
1. Inicie o runtime do seu projeto do Studio Lab. Para obter mais informações sobre como iniciar o tempo de execução do projeto Studio Lab, consulte [Inicie o runtime do projeto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. No Studio Lab, escolha o ícone **Navegador de arquivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder.png)) no menu esquerdo para que o painel **Navegador de arquivos** seja exibido à esquerda.
1. Navegue até seu diretório de usuário escolhendo o ícone de arquivo abaixo da barra de pesquisa de arquivos.
1. Selecione o ícone do **Git** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/git.png)) no menu à esquerda para abrir um novo menu suspenso.
1. Escolha **Clonar um repositório**.
1. Cole a URL do repositório na **URL do repositório Git (.git)**.
1. Selecione **Clonar**.
### Clone cadernos individuais de GitHub
Para abrir um caderno no Studio Lab, você deve ter acesso ao repositório no qual o caderno está. Os exemplos a seguir descrevem o comportamento relacionado à permissão do Studio Lab em várias situações.
+ Se um repositório for público, você poderá clonar automaticamente o caderno em seu projeto a partir da página de pré-visualização do Studio Lab.
+ Se um repositório for privado, você será solicitado a entrar na página de pré-visualização GitHub do Studio Lab. Se você tiver acesso a um repositório privado, poderá clonar o caderno em seu projeto.
+ Se você não tiver acesso a um repositório privado, não poderá clonar o caderno na página de pré-visualização do Studio Lab.
As seções a seguir mostram duas opções para você copiar um GitHub caderno em seu projeto do Studio Lab. Essas opções dependem se o caderno tem um botão **Abrir no Studio Lab**.
#### Opção 1: Copiar caderno com um botão **Abrir no Studio Lab**
O procedimento a seguir mostra como copiar um caderno que tenha um botão **Abrir no Studio Lab**. Se você quiser adicionar esse botão ao seu caderno, consulte [Adicione um botão **Abrir no Studio Lab** ao seu caderno](#studio-lab-use-external-add-button).
1. Faça login no Studio Lab seguindo as etapas em [Faça login no Studio Lab.](studio-lab-onboard.md#studio-lab-onboard-signin).
1. Em uma nova guia do navegador, navegue até o GitHub notebook que você deseja clonar.
1. No caderno, selecione o botão **Abrir no Studio Lab** para abrir uma nova página no Studio Lab com uma prévia do caderno.
1. Se o tempo de execução do seu projeto ainda não estiver em execução, inicie-o escolhendo o botão **Iniciar tempo de execução** na parte superior da página de pré-visualização. Aguarde até que o tempo de execução come antes de prosseguir para a próxima etapa.
1. Depois que o tempo de execução do seu projeto for iniciado, selecione **Copiar para o projeto** para abrir o tempo de execução do seu projeto em uma nova guia do navegador.
1. Na **cópia de GitHub?** caixa de diálogo, selecione **Copiar somente caderno**. Isso copia o arquivo do caderno para o seu projeto.
#### Opção 2: clonar qualquer notebook GitHub
O procedimento a seguir mostra como copiar qualquer notebook do GitHub.
1. Navegue até o notebook em GitHub.
1. Na barra de endereço do navegador, modifique a URL do caderno da seguinte forma.
```
# Original URL
https://github.com/
# Modified URL
https://studiolab.sagemaker.aws/import/github/
```
1. Navegue até a URL modificada. Isso abre uma prévia do caderno no Studio Lab.
1. Se o tempo de execução do seu projeto ainda não estiver em execução, inicie-o escolhendo o botão **Iniciar tempo de execução** na parte superior da página de pré-visualização. Aguarde até que o tempo de execução come antes de prosseguir para a próxima etapa.
1. Depois que o tempo de execução do seu projeto for iniciado, selecione **Copiar para o projeto** para abrir o tempo de execução do seu projeto em uma nova guia do navegador.
1. Na **cópia de GitHub?** caixa de diálogo, selecione **Copiar caderno somente** para copiar o arquivo do caderno para o seu projeto.
## Adicione um botão **Abrir no Studio Lab** ao seu caderno
Quando você adiciona o botão **Abrir no Studio Lab** aos seus cadernos, outras pessoas podem clonar seus cadernos ou repositórios diretamente para projetos do Studio Lab delas. Se você estiver compartilhando seu caderno em um GitHub repositório público, seu conteúdo será legível publicamente. Não compartilhe conteúdo privado, como chaves de AWS acesso ou AWS Identity and Access Management credenciais, em seu notebook.
Para adicionar o botão de funcionalidade **Abrir no Studio Lab** ao seu caderno ou repositório Jupyter, adicione o seguinte markdown na parte superior do seu caderno ou repositório.
```
[](https://studiolab.sagemaker.aws/import/github/)
```
## Importe arquivos do seu computador
As etapas a seguir mostram como importar arquivos do seu computador para o projeto do Studio Lab.
1. Abra o runtime do projeto do Studio Lab
1. Abra o painel **Navegador de arquivos**.
1. Na barra de ações do painel **Navegador de arquivos**, selecione o botão **Carregar arquivos**.
1. Selecione os arquivos que deseja carregar da sua máquina local.
1. Selecione **Abrir**.
Como alternativa, é possível arrastar e soltar arquivos do computador para o painel do **Navegador de arquivos**.
## Conectar-se ao Amazon S3
AWS CLI Isso permite a AWS integração em seu projeto do Studio Lab. Com essa integração, você pode extrair recursos do Amazon S3 para usar com seus blocos de anotação Jupyter.
Para usar AWS CLI com o Studio Lab, conclua as etapas a seguir. Para um notebook que descreve essa integração, consulte [Usando o Studio Lab com AWS recursos](https://github.com/aws/studio-lab-examples/blob/main/connect-to-aws/Access_AWS_from_Studio_Lab.ipynb).
1. Instale as etapas a AWS CLI seguir em [Instalando ou atualizando a versão mais recente do AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
1. Configure suas AWS credenciais seguindo as etapas em [Configuração rápida](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-quickstart.html). A função da sua AWS conta deve ter permissões para acessar o bucket do Amazon S3 do qual você está copiando dados.
1. Do seu bloco de anotações Jupyter, clone recursos do bucket do Amazon S3, conforme necessário. O comando a seguir mostra como clonar todos os recursos de um caminho do Amazon S3 para seu projeto. Para obter mais informações, consulte [Referência de comandos da AWS CLI](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/s3/cp.html).
```
!aws s3 cp s3://// / --recursive
```
# Obter diferenças dos cadernos
Você pode exibir a diferença entre o notebook atual e o último ponto de verificação, ou o último commit do Git, usando a interface do projeto do SageMaker Amazon Studio Lab.
**Topics**
+ [Obter diferenças desde o último ponto de verificação](#studio-lab-use-diff-checkpoint)
+ [Obter diferenças desde a última confirmação](#studio-lab-use-diff-git)
## Obter diferenças desde o último ponto de verificação
Quando você cria um caderno, um arquivo de ponto de verificação oculto que corresponde ao caderno é criado. Você pode visualizar as alterações entre o caderno e o arquivo de ponto de verificação ou reverter o caderno para corresponder ao arquivo de ponto de verificação.
Para salvar o caderno do Studio Lab e atualizar o arquivo do ponto de verificação para que corresponda: escolha o ícone **Salvar caderno e criar ponto de verificação** (![\[Icon of a cloud with an arrow pointing upward, representing cloud upload functionality.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/Notebook_save.png)). Ele está localizado no lado esquerdo do menu do Studio Lab. O atalho do teclado para **Salvar caderno e criar ponto de verificação** é `Ctrl + s`.
Para visualizar as alterações entre o caderno e o arquivo do ponto de verificação, escolha o ícone **Diferenças do ponto de verificação** (![\[Camera icon representing image capture or photo functionality.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/Checkpoint_diff.png)) localizado no centro do menu do Studio Lab.
Para reverter o caderno do Studio Lab para o arquivo de ponto de verificação: no menu principal do Studio Lab, escolha **Arquivo** e, então, **Reverter o caderno para o ponto de verificação**.
## Obter diferenças desde a última confirmação
Se um caderno for aberto a partir de um repositório Git, será possível visualizar a diferença entre o caderno e a última confirmação do Git.
Para visualizar as alterações no caderno a partir da última confirmação do Git: escolha o ícone **Git diff** (![\[GitHub icon representing version control and source code management.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/Git_diff.png)) no centro do menu do caderno.
# Exportar um ambiente do Amazon SageMaker Studio Lab para o Amazon SageMaker Studio Classic
O Amazon SageMaker Studio Classic oferece muitos recursos para fluxos de trabalho de aprendizado de máquina e aprendizado profundo que não estão disponíveis no Amazon SageMaker Studio Lab. Esta página mostra como migrar um ambiente do Studio Lab para o Studio para aproveitar mais capacidade computacional, armazenamento e atributos. No entanto, talvez você queira se familiarizar com os contêineres predefinidos do Studio Classic, que são otimizados para o pipeline MLOP completo. Para obter mais informações, consulte [Laboratório Amazon SageMaker Studio](studio-lab.md).
Para migrar seu ambiente do Studio Lab para o Studio Classic, você deve primeiro integrar-se ao Studio Classic seguindo as etapas apresentadas em [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
**Topics**
+ [Etapa 1: exportar seu ambiente conda do Studio Lab](#studio-lab-use-migrate-step1)
+ [Etapa 2: Salve seus artefatos do Studio Lab](#studio-lab-use-migrate-step2)
+ [Etapa 3: importar seus artefatos do Studio Lab para o Studio Classic](#studio-lab-use-migrate-step3)
+ [Etapa 4: Instale os ambientes conda do Studio Lab no Studio Classic](#studio-lab-use-migrate-step4)
## Etapa 1: exportar seu ambiente conda do Studio Lab
Você pode exportar um ambiente conda e adicionar bibliotecas ou pacotes ao ambiente seguindo as etapas em[Gerenciar seu ambiente](studio-lab-use-manage.md). O exemplo a seguir demonstra o uso do ambiente `default` a ser exportado para o Studio Classic.
1. Abra o terminal do Studio Lab no painel **Navegador de arquivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder.png)), escolha o sinal de adição (**\$1**) no menu na parte superior do navegador de arquivos para abrir o **Inicializador** e escolha **Terminal**. No terminal do Studio Lab, liste os ambientes conda executando o seguinte:
```
conda env list
```
Esse comando gera uma lista dos ambientes conda e suas localizações no sistema de arquivos. Ao se integrar ao Studio Lab, você ativa automaticamente o ambiente `studiolab` conda.
```
# conda environments: #
default /home/studio-lab-user/.conda/envs/default
studiolab * /home/studio-lab-user/.conda/envs/studiolab
studiolab-safemode /opt/amazon/sagemaker/safemode-home/.conda/envs/studiolab-safemode
base /opt/conda
```
Recomendamos que você não exporte os ambientes `studiolab`, `studiolab-safemode`, e `base`. Esses ambientes não são utilizáveis no Studio Classic pelos seguintes motivos:
+ `studiolab`: Isso configura o JupyterLab ambiente para o Studio Lab. O Studio Lab executa uma versão principal diferente JupyterLab do Studio Classic, portanto, não pode ser usado no Studio Classic.
+ `studiolab-safemode`: Isso também configura o JupyterLab ambiente para o Studio Lab. O Studio Lab executa uma versão principal diferente JupyterLab do Studio Classic, portanto, não pode ser usado no Studio Classic.
+ `base`: Esse ambiente vem com conda por padrão. O ambiente `base` no Studio Lab e o ambiente `base` no Studio Classic têm versões incompatíveis de versões de muitos pacotes.
1. Para o ambiente conda que você deseja migrar para o Studio Classic, primeiro ative o ambiente conda. O ambiente `default` é então alterado quando novas bibliotecas são instaladas ou removidas dele. Para obter o estado exato do ambiente, exporte-o para um arquivo YAML usando a linha de comando. As linhas de comando a seguir exportam o ambiente padrão para um arquivo YAML, criando um arquivo chamado `myenv.yml`.
```
conda activate default
conda env export > ~/myenv.yml
```
## Etapa 2: Salve seus artefatos do Studio Lab
Agora que você salvou seu ambiente em um arquivo YAML, você pode mover o arquivo de ambiente para qualquer plataforma.
------
#### [ Save to a local machine using Studio Lab GUI ]
**nota**
Faça download de um diretório da GUI do Studio Lab clicando com o botão direito do mouse no diretório que está indisponível no momento. Se você quiser exportar um diretório, siga as etapas usando a aba **Salvar no repositório Git**.
Uma opção é salvar o ambiente em sua máquina local. Para fazer isso, use o procedimento a seguir.
1. No Studio Lab, selecione o ícone **Navegador de arquivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder.png)) no menu à esquerda, para que o painel **Navegador de arquivos** seja exibido à esquerda.
1. Navegue até seu diretório de usuário escolhendo o ícone de arquivo abaixo da barra de pesquisa de arquivos.
1. Escolha (clique com o botão direito do mouse) o arquivo `myenv.yml` e escolha **Download**. Você pode repetir esse processo para outros arquivos que você deseja importar para o Studio Classic.
------
#### [ Save to a Git repository ]
Outra opção é salvar seu ambiente em um repositório Git. Essa opção usa GitHub como exemplo. Essas etapas exigem uma GitHub conta e um repositório. Para obter mais informações, acesse [GitHub](https://github.com/). O procedimento a seguir mostra como sincronizar seu conteúdo GitHub usando o terminal do Studio Lab.
1. No terminal do Studio Lab, navegue até seu diretório de usuário e crie um novo diretório para conter os arquivos que você deseja exportar.
```
cd ~
mkdir
```
1. Depois de criar um novo diretório, copie qualquer arquivo ou diretório que você deseja exportar para ``.
Copie um arquivo usando o seguinte formato de código:
```
cp
```
Por exemplo, substituindo `` por `myenv.yml`.
Copie um diretório usando o seguinte formato de código:
```
cp -r
```
Por exemplo, substitua `` por qualquer nome de diretório em seu diretório de usuário.
1. Navegue até o novo diretório e inicialize o diretório como um repositório Git usando o comando a seguir. Para obter mais informações, consulte a [documentação de git-init](https://git-scm.com/docs/git-init).
```
cd
git init
```
1. Usando o Git, adicione todos os arquivos relevantes e, em seguida, confirme suas alterações.
```
git add .
git commit -m ""
```
Por exemplo, substituindo `` por `Add Amazon SageMaker Studio Lab artifacts to GitHub repository to migrate to Amazon SageMaker Studio Classic `.
1. Envie a confirmação para o repositório remoto. Esse repositório tem o formato `https://github.com// .git` em que `` está seu nome de GitHub usuário e o `` nome do seu repositório remoto. Crie uma ramificação `` para enviar o conteúdo para o GitHub repositório.
```
git branch -M
git remote add origin https://github.com//.git
git push -u origin
```
------
## Etapa 3: importar seus artefatos do Studio Lab para o Studio Classic
O procedimento a seguir mostra como importar artefatos para o Studio Classic. As instruções sobre como usar o Feature Store por meio do console dependem de você ter habilitado o Studio ou o Studio Classic como sua experiência padrão. Para informações a respeito de como acessar o Studio Classic por meio do console, consulte [Execute o Studio Classic se o Studio for sua experiência padrão](studio-launch.md#studio-launch-console-updated).
No Studio Classic, você pode importar arquivos da sua máquina local ou de um repositório Git. É possível fazer isso usando a GUI do Studio Classic ou o terminal. O procedimento a seguir usa os exemplos de [Etapa 2: Salve seus artefatos do Studio Lab](#studio-lab-use-migrate-step2).
------
#### [ Import using the Studio Classic GUI ]
Se você salvou os arquivos em sua máquina local, poderá importá-los para o Studio Classic usando as etapas a seguir.
1. Abra o painel **Navegador de arquivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/folder.png)) no canto superior esquerdo do Studio Classic.
1. Escolha o ícone **Carregar arquivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/File_upload_squid.png)) no menu na parte superior do painel **Navegador de arquivos**.
1. Navegue até o arquivo que você deseja importar e escolha **Abrir**.
**nota**
Se você quiser importar um diretório para o Studio Classic, primeiro compacte o diretório na sua máquina local em um arquivo. Em um Mac, clique com o botão direito do mouse no diretório e escolha **Compactar "” ****. No Windows, clique com o botão direito do mouse no diretório e escolha **Enviar para** e, então, selecione **Pasta compactada (zipada)**. Depois que o diretório for compactado, importe o arquivo compactado usando as etapas anteriores. Descompacte o arquivo compactado navegando até o terminal do Studio e executando o comando `.zip`.
------
#### [ Import using a Git repository ]
Este exemplo fornece duas opções de como clonar um GitHub repositório no Studio Classic. Você pode usar a GUI do Studio Classic escolhendo a guia **Git** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/git.png)) no lado esquerdo do Studio Classic. Escolha **Clonar um repositório** e cole a URL do seu GitHub repositório. [Etapa 2: Salve seus artefatos do Studio Lab](#studio-lab-use-migrate-step2) Outra opção é usar o terminal do Studio Classic usando o procedimento a seguir.
1. Abra o **Inicializador** do Studio Classic. Para obter mais informações sobre como abrir o **Launcher**, consulte [Amazon SageMaker Studio Classic Launcher](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html).
1. No **Inicializador**, na seção **Cadernos e recursos de computação**, escolha **Alterar ambiente**.
1. No Studio Classic, abra o **Inicializador**. Para abrir o **Launcher**, escolha **Amazon SageMaker Studio Classic** no canto superior esquerdo do Studio Classic.
Para saber mais sobre todas as formas disponíveis para abrir o **Inicializador**, consulte [Use o Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. Na caixa de diálogo **Alterar ambiente**, use a lista suspensa **Imagem** para selecionar a imagem da **Ciência de Dados** e escolha **Selecionar.** Essa imagem vem com o conda pré-instalado.
1. No **Inicializador** do Studio Classic, escolha **Abrir terminal de imagem**.
1. No terminal de imagem, execute o seguinte comando para clonar o repositório: Esse comando cria um diretório com o nome `` de sua instância do Studio Classic e clona seus artefatos nesse repositório.
```
git clone https://github.com//.git
```
------
## Etapa 4: Instale os ambientes conda do Studio Lab no Studio Classic
Agora você pode recriar seu ambiente conda usando seu arquivo YAML na sua instância do Studio Classic. Abra o **Inicializador** do Studio Classic. Para obter mais informações sobre como abrir o **Launcher**, consulte [Amazon SageMaker Studio Classic Launcher](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html). No **Inicializador**, escolha **Abrir terminal de imagem**. No terminal, navegue até o diretório que contém o arquivo YAML e execute os seguintes comandos:
```
conda env create --file .yml
conda activate
```
Depois que esses comandos forem concluídos, você poderá selecionar seu ambiente como o kernel para suas instâncias de cadernos do Studio Classic. Para ver o ambiente disponível, execute `conda env list`. Para ativar seu ambiente, execute `conda activate `.
# Encerre os recursos do Studio Lab
Você pode visualizar e encerrar seus recursos do Amazon SageMaker Studio Lab em execução em um único local em seu ambiente Studio Lab. Os tipos de recursos em execução incluem terminais e kernels. Você também pode encerrar todos os recursos em uma dessas categorias ao mesmo tempo.
Ao encerrar todos os recursos pertencentes a um tipo de recurso, ocorre o seguinte:
+ **KERNELS**: todos os kernels, cadernos e consoles são encerrados.
+ **TERMINAIS**: todos os terminais são encerrados.
**Encerre os recursos do Studio Lab**
1. Inicie o runtime do seu projeto do Studio Lab. Para obter mais informações sobre como iniciar o runtime do projeto Studio Lab, consulte [Inicie o runtime do projeto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. Escolha o ícone **Terminais e Kernels em execução** (![\[Square icon with a white outline of a cloud on a dark blue background.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/Running_squid.png)) no painel de navegação à esquerda.
1. Escolha o símbolo **X** à direita do recurso que você deseja encerrar. Você pode ver o símbolo **X** passando o cursor sobre um recurso.
1. (Opcional) Você pode encerrar todos os recursos de um determinado tipo de recurso escolhendo **Encerrar todos** à direita do nome do tipo de recurso.
# Solução de problemas
O guia mostra erros comuns que podem ocorrer ao usar o Amazon SageMaker Studio Lab (Studio Lab). Cada erro contém uma descrição, bem como uma solução para o erro.
**nota**
Você não pode compartilhar sua senha com vários usuários e nem usar o Studio Lab para minerar criptomoedas. Não recomendamos o uso do Studio Lab para tarefas de produção devido aos limites de runtime.
**Problemas de dependência**
Em 8 de agosto de 2025, o Studio Lab migrou de JupyterLab 3 para JupyterLab 4. Para obter informações sobre JupyterLab 4, consulte [4.0.0 - Destaques](https://jupyterlab.readthedocs.io/en/4.0.x/getting_started/changelog.html#highlights) no JupyterLab Changelog. Se você instalou JupyterLab extensões em seu ambiente Studio Lab antes de 8 de agosto de 2025, talvez seja necessário reinstalá-las no ambiente JupyterLab 4.
**Não consigo acessar a conta**
Se você não conseguir acessar sua conta, verifique se está usando o e-mail e senha corretos. Se você esqueceu sua senha, use as etapas a seguir para redefinir sua senha. Se você ainda não conseguir acessar sua conta, deverá solicitar e registrar uma nova conta usando as instruções em[Faça parte do Amazon SageMaker Studio Lab](studio-lab-onboard.md).
**Esqueci a senha**
Se você esquecer sua senha, deverá redefini-la usando as etapas a seguir.
1. Navegue até a [página de destino do Studio Lab](https://studiolab.sagemaker.aws).
1. Selecione **Fazer login**.
1. Selecione **Esqueci a senha** para abrir uma nova página.
1. Insira o endereço de e-mail que você usou para cadastrar uma conta.
1. Selecione **Enviar link de redefinição** para enviar um e-mail com um link de redefinição de senha.
1. No e-mail de redefinição de senha, selecione **Redefinir sua senha**.
1. Insira sua nova senha.
1. Selecione **Submit (Enviar)**.
**Não é possível iniciar o runtime do projeto**
Se o runtime do projeto Studio Lab não for iniciado, tente iniciá-lo novamente. Se isso não funcionar, mude o tipo de instância de CPU para GPU (ou vice-versa). Para obter mais informações, consulte [Alterar seu tipo de computação](studio-lab-manage-runtime.md#studio-lab-manage-runtime-change).
**O runtime parou de funcionar inesperadamente**
Se houver um problema com o ambiente usado para execução JupyterLab, o Studio Lab recriará automaticamente o ambiente. O Studio Lab não oferece apoio à ativação manual desse processo.
**Versões em conflito**
Como você pode adicionar pacotes e modificar seu ambiente conforme necessário, você pode se deparar com conflitos entre pacotes em seu ambiente. Se houver conflitos entre pacotes em seu ambiente, você deverá remover o pacote em conflito.
**Falha na compilação do ambiente**
Quando você compila um ambiente a partir de um arquivo YAML, um conflito de versão de pacote ou problema de arquivo pode causar falha na compilação. Para resolver isso, remova o ambiente executando o comando a seguir. Faça isso antes de tentar compilá-lo novamente.
```
conda remove --name --all
```
**Mensagem de erro sobre a permissão para fazer download do script do domínio \$1.awswaf.com**
O Studio Classic usa o serviço de firewall de aplicativos da web AWS WAF para proteger seus recursos, que usa JavaScript. Se você estiver usando um plug-in de segurança do navegador que JavaScript impede o download, esse erro pode aparecer. Para usar o Studio Classic, permita o JavaScript download de \$1.awswaf.com como um domínio confiável. Para obter mais informações sobre AWS WAF AWS WAF, consulte [AWS WAF](https://docs.aws.amazon.com/waf/latest/developerguide/waf-chapter.html)no AWS Firewall Manager, AWS Shield Advanced e. Guia do desenvolvedor
**O espaço em disco está cheio**
Se você receber uma notificação mencionando que seu espaço em disco está cheio ou **erro de carregamento de arquivo **** ao tentar abrir um arquivo, você pode remover arquivos, diretórios, bibliotecas ou ambientes para aumentar o espaço. Para mais informações sobre o gerenciamento de suas bibliotecas e ambientes, consulte [Gerenciar seu ambiente](studio-lab-use-manage.md).
****O runtime do projeto está na notificação do modo de segurança****
Se você receber uma notificação de que o **runtime do projeto está no modo de segurança**, você deve liberar espaço em disco para retomar o uso do runtime do projeto do Studio Lab. Siga as instruções no item de solução de problemas anterior, o **espaço em disco está cheio**. Depois que pelo menos 500 MB de espaço forem apagados, você poderá reiniciar o runtime do projeto para usar o Studio Lab. Isso pode ser feito escolhendo **Amazon SageMaker Studio Lab** no menu superior do Studio Lab e escolhendo **Reiniciar JupyterLab...** .
git Não é **possível importar `cv2`**
Se você encontrar um erro ao importar `cv2` após a instalação de `opencv-python`, deverá desinstalar `opencv-python` e instalar da `opencv-python-headless` seguinte maneira:
```
%pip uninstall opencv-python --yes
%pip install opencv-python-headless
```
Em seguida, você pode importar `cv2` conforme o esperado.
**O Studio Lab fica não responsivo ao abrir arquivos grandes**
O IDE do Studio Lab pode falhar ao renderizar quando arquivos grandes são abertos, resultando no acesso bloqueado aos recursos do Studio Lab. Para resolver isso, redefina o workspace do Studio Lab usando o procedimento a seguir.
1. Depois de abrir o IDE, copie a URL na barra de endereço do seu navegador. Esta deve ser uma URL no formato `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab`. Feche a guia.
1. Em uma nova guia, cole a URL e remova o que estiver depois de `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab`.
1. Adicione `?reset` ao final da URL para que tenha o formato `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab?reset`.
1. Navegue até o URL atualizado. Isso redefine o estado da interface do usuário salvo e torna o IDE do Studio Lab responsivo.
# Amazon SageMaker Canvas
O Amazon SageMaker Canvas oferece a capacidade de usar o aprendizado de máquina para gerar previsões sem precisar escrever nenhum código. A seguir estão alguns casos de uso em que você pode usar o SageMaker Canvas:
+ Prever a rotatividade de clientes
+ Planejar o inventário com eficiência
+ Otimizar o preço e a receita
+ Melhorar as entregas dentro do prazo
+ Classificar texto ou imagens com base em categorias personalizadas
+ Identificar objetos e texto em imagens
+ Extrair informações de documentos
Com o Canvas, você pode conversar com modelos populares de linguagem grande (LLMs), acessar Ready-to-use modelos ou criar um modelo personalizado treinado com base em seus dados.
O Canvas Chat é uma funcionalidade que utiliza o código aberto e LLMs a Amazon para ajudar você a aumentar sua produtividade. Você pode solicitar que os modelos obtenham ajuda em tarefas como gerar conteúdo, resumir ou categorizar documentos e responder perguntas. Para saber mais, consulte [Modelos básicos de IA generativa no Canvas SageMaker](canvas-fm-chat.md).
Os [Ready-to-use modelos](canvas-ready-to-use-models.md) no Canvas podem extrair insights de seus dados para uma variedade de casos de uso. [Você não precisa criar um modelo para usar Ready-to-use modelos porque eles são alimentados pelos serviços de IA da Amazon, incluindo Amazon [Rekognition](https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html)[,](https://docs.aws.amazon.com/textract/latest/dg/what-is.html) Amazon Textract e Amazon Comprehend.](https://docs.aws.amazon.com/comprehend/latest/dg/what-is.html) Você só precisa importar seus dados e começar a usar uma solução para gerar predições.
Se você quiser um modelo personalizado para seu caso de uso e treinado com seus dados, você pode [criar um modelo](canvas-custom-models.md). É possível obter predições personalizadas para seus dados fazendo o seguinte:
1. Importe seus dados de uma ou mais fontes de dados.
1. Crie um modelo preditivo.
1. Avalie o desempenho do modelo.
1. Gere predições com o modelo.
O Canvas é compatível com os seguintes tipos de modelos personalizados:
+ Previsão numérica (também conhecida como *regressão*)
+ Previsão categórica para 2 e 3 categorias ou mais (também conhecida como classificação *binária* e de *várias classes*)
+ Previsão de séries temporais
+ Previsão de imagem de rótulo único (também conhecida como *classificação de imagens*)
+ Previsão de texto em várias categorias (também conhecida como classificação de *texto em várias classes*)
Para saber mais sobre preços, consulte a [página de preços do SageMaker Canvas](https://aws.amazon.com/sagemaker/canvas/pricing/). Para obter mais informações, consulte também [Cobrança e custo no Canvas SageMaker](canvas-manage-cost.md).
SageMaker Atualmente, o Canvas está disponível nas seguintes regiões:
+ Leste dos EUA (Ohio)
+ Leste dos EUA (Norte da Virgínia)
+ Oeste dos EUA (N. da Califórnia)
+ Oeste dos EUA (Oregon)
+ Ásia-Pacífico (Mumbai)
+ Ásia-Pacífico (Seul)
+ Ásia-Pacífico (Singapura)
+ Ásia-Pacífico (Sydney)
+ Ásia-Pacífico (Tóquio)
+ Canadá (Central)
+ Europa (Frankfurt)
+ Europa (Irlanda)
+ Europa (Londres)
+ Europa (Paris)
+ Europa (Estocolmo)
+ América do Sul (São Paulo)
**Topics**
+ [Você é usuário do SageMaker Canvas pela primeira vez?](#canvas-first-time-user)
+ [Começando a usar o Amazon SageMaker Canvas](canvas-getting-started.md)
+ [Tutorial: Crie um fluxo de trabalho end-to-end de aprendizado de máquina no SageMaker Canvas](canvas-end-to-end-machine-learning-workflow.md)
+ [Configuração e gerenciamento de permissões do Amazon SageMaker Canvas (para administradores de TI)](canvas-setting-up.md)
+ [Assistência de IA generativa para resolver problemas de ML no Canvas usando o Amazon Q Developer](canvas-q.md)
+ [importar dados](canvas-importing-data.md)
+ [preparação de dados](canvas-data-prep.md)
+ [Modelos básicos de IA generativa no Canvas SageMaker](canvas-fm-chat.md)
+ [Ready-to-use modelos](canvas-ready-to-use-models.md)
+ [Modelos personalizados](canvas-custom-models.md)
+ [Sair do Amazon SageMaker Canvas](canvas-log-out.md)
+ [Limitações e solução de problemas](canvas-limits.md)
+ [Cobrança e custo no Canvas SageMaker](canvas-manage-cost.md)
## Você é usuário do SageMaker Canvas pela primeira vez?
Se você é um usuário iniciante do SageMaker Canvas, recomendamos que comece lendo as seguintes seções:
+ Para administradores de TI: [Configuração e gerenciamento de permissões do Amazon SageMaker Canvas (para administradores de TI)](canvas-setting-up.md)
+ Para analistas e usuários individuais: [Começando a usar o Amazon SageMaker Canvas](canvas-getting-started.md)
+ Para um exemplo de um fluxo de trabalho de ponta a ponta: [Tutorial: Crie um fluxo de trabalho end-to-end de aprendizado de máquina no SageMaker Canvas](canvas-end-to-end-machine-learning-workflow.md)
# Começando a usar o Amazon SageMaker Canvas
Este guia explica como começar a usar o SageMaker Canvas. Se você é administrador de TI e gostaria de obter detalhes mais detalhados, consulte como configurar [Configuração e gerenciamento de permissões do Amazon SageMaker Canvas (para administradores de TI)](canvas-setting-up.md) o SageMaker Canvas para seus usuários.
**Topics**
+ [Pré-requisitos para configurar o Amazon Canvas SageMaker](#canvas-prerequisites)
+ [Etapa 1: Faça login no SageMaker Canvas](#canvas-getting-started-step1)
+ [Etapa 2: Use o SageMaker Canvas para obter previsões](#canvas-getting-started-step2)
## Pré-requisitos para configurar o Amazon Canvas SageMaker
Para configurar um aplicativo SageMaker Canvas, integre-o usando um dos seguintes métodos de configuração:
1. **Integrado com o AWS console.** Para fazer a integração por meio do AWS console, primeiro você cria um domínio Amazon SageMaker AI. SageMaker Os domínios de IA oferecem suporte a vários ambientes de aprendizado de máquina (ML), como Canvas e [SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html). Para obter mais informações sobre Domínios, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
1. (Rápido) [Use a configuração rápida para Amazon SageMaker AI](onboard-quick-start.md): Escolha essa opção se quiser configurar rapidamente um domínio. Isso concede ao usuário todas as permissões padrão do Canvas e funcionalidades básicas. Quaisquer atributos adicionais, como a [consulta de documentos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html#canvas-fm-chat-query), podem ser ativados posteriormente por um administrador. Se quiser configurar permissões mais granulares, recomendamos que você escolha a opção Avançado.
1. (Padrão) [Use a configuração personalizada para Amazon SageMaker AI](onboard-custom.md): Escolha essa opção se quiser concluir uma configuração mais avançada do seu domínio. Mantenha um controle granular sobre as permissões do usuário, como acesso a atributos de preparação de dados, funcionalidade de IA generativa e implantações de modelos.
1. **A bordo com CloudFormation.** [CloudFormation](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/Welcome.html)automatiza o provisionamento de recursos e configurações para que você possa configurar o Canvas para um ou mais perfis de usuário ao mesmo tempo. Use essa opção se quiser automatizar o processo de integração em grande escala e garantir que suas aplicações sejam sempre configurados da mesma forma. O [CloudFormation modelo](https://github.com/aws-samples/cloudformation-studio-domain) a seguir fornece uma maneira simplificada de se integrar ao Canvas, garantindo que todos os componentes necessários sejam configurados adequadamente e permitindo que você se concentre na criação e implantação de seus modelos de aprendizado de máquina.
A seção a seguir descreve como se integrar ao Canvas usando o AWS console para criar um domínio.
**Importante**
Para você configurar o Amazon SageMaker Canvas, sua versão do Amazon SageMaker Studio deve ser 3.19.0 ou posterior. Para obter informações sobre a atualização do Amazon SageMaker Studio, consulte[Desligue e atualize o Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
### Integrado com o console AWS
Se você estiver fazendo a configuração rápida do domínio, siga as instruções em [Use a configuração rápida para Amazon SageMaker AI](onboard-quick-start.md), pule o restante desta seção e prossiga para [Etapa 1: Faça login no SageMaker Canvas](#canvas-getting-started-step1).
Se você estiver fazendo a configuração de domínio padrão, poderá especificar os atributos do Canvas aos quais gostaria de conceder acesso aos seus usuários. Use o restante desta seção ao concluir a configuração de domínio padrão para ajudá-lo a configurar as permissões específicas do Canvas.
Nas instruções de [Use a configuração personalizada para Amazon SageMaker AI](onboard-custom.md) configuração, para a **Etapa 2: Usuários e atividades de ML**, você deve selecionar as permissões do Canvas que deseja conceder. Na seção de **atividades de ML**, você pode selecionar as seguintes políticas de permissões para conceder acesso aos atributos do Canvas: Você só pode selecionar até 8 **atividades de ML** no total ao configurar seu domínio. As duas primeiras permissões na lista a seguir são necessárias para usar o Canvas, enquanto as demais são para atributos adicionais.
+ **Executar aplicações do Studio**: Essas permissões são necessárias para iniciar a aplicação Canvas.
+ **[Canvas Core Access](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)**: Essas permissões concedem acesso à aplicação Canvas e às funcionalidades básicas do Canvas, como criar conjuntos de dados, usar transformações básicas de dados e construir e analisar modelos.
+ (Opcional) **[Preparação de dados do Canvas (desenvolvido pelo Data Wrangler)](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)**: Essas permissões concedem acesso para criar fluxos de dados e usar transformações avançadas para preparar seus dados no Canvas. Essas permissões também são necessárias para criar trabalhos de processamento de dados e cronogramas de trabalhos de preparação de dados.
+ (Opcional) **[Canvas AI Services](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasAIServicesAccess.html)** — Essas permissões concedem acesso aos Ready-to-use modelos, modelos básicos e recursos do Chat with Data no Canvas.
+ (Opcional) Acesso ao **Kendra**: Essa permissão concede acesso ao atributos de consulta de [documentos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html#canvas-fm-chat-query), no qual você pode consultar documentos armazenados em um índice do Amazon Kendra usando modelos básicos no Canvas.
Se você selecionar essa opção, na seção Acesso ao **Canvas Kendra, insira** os índices IDs do Amazon Kendra aos quais você deseja conceder acesso.
+ (Opcional) **[Canvas MLOps](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDirectDeployAccess.html)** — Essa permissão concede acesso ao recurso de [implantação de modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-deploy-model.html) no Canvas, onde você pode implantar modelos para uso na produção.
Na seção **Etapa 3: Aplicações** da configuração do domínio, escolha **Configurar o Canvas** e faça o seguinte:
1. Para a **configuração de armazenamento do Canvas**, especifique onde você deseja que o Canvas armazene os dados da aplicação, como artefatos do modelo, conjuntos de dados e logs. SageMaker A IA cria uma `Canvas/` pasta dentro desse bucket para armazenar os dados. Para obter mais informações, consulte [Configurar seu armazenamento do Amazon S3](canvas-storage-configuration.md). Nesta seção, faça o seguinte:
1. Selecione **Sistema gerenciado** se quiser definir o local como o bucket padrão SageMaker criado pela IA que segue o padrão. `s3://sagemaker-{Region}-{your-account-id}`
1. Selecione **Custom S3** para especificar seu próprio bucket do Amazon S3 como local de armazenamento. Em seguida, insira o URI do Amazon S3.
1. (Opcional) Para **Chave de criptografia**, especifique uma chave do KMS para criptografar artefatos do Canvas armazenados no local especificado.
1. (Opcional) Para o **Amazon Q Developer**, faça o seguinte:
1. **Ative o Amazon Q Developer in SageMaker Canvas para ML em linguagem natural** para dar aos usuários permissões para aproveitar a assistência generativa de IA durante o fluxo de trabalho de ML no Canvas. Essa opção só concede permissões para consultar o Amazon Q Developer para obter ajuda com tarefas predeterminadas que podem ser concluídas na aplicação do Canvas.
1. **Ative o bate-papo do Amazon Q Developer para AWS perguntas gerais** para dar aos usuários permissões para fazer consultas generativas de IA relacionadas aos AWS serviços.
1. (Opcional) Configure a seção **Processamento de dados grandes** se seus usuários planejam processar conjuntos de dados acima de 5 GB no Canvas. Para ter informações mais detalhadas sobre como configurar essas opções, consulte [Conceda aos usuários permissões para usar grandes volumes de dados em todo o ciclo de vida do ML](canvas-large-data-permissions.md).
1. (Opcional) Na seção de **configuração de permissões de ML Ops**, faça o seguinte:
1. Deixe a opção **Habilitar implantação direta de modelos do Canvas** ativada para dar aos usuários permissões para implantar seus modelos do Canvas em um endpoint de SageMaker IA. Para obter mais informações sobre a implantação de modelos no Canvas, consulte [Implantar seus modelos em um endpoint](canvas-deploy-model.md).
1. Deixe a opção **Ativar permissões de registro do registro de modelo para todos os usuários** ativada para dar aos usuários permissões para registrar a versão do modelo no registro do modelo de SageMaker IA (ela está ativada por padrão). Para obter mais informações, consulte [Registre uma versão do modelo no registro de modelos de SageMaker IA](canvas-register-model.md).
1. Se você deixou a opção **Habilitar permissões de registro de modelo para todos os usuários** ativada, selecione **Registrar somente no Registro de modelos ou Registrar** **e aprovar modelo no Registro** de modelos.
1. (Opcional) Para a seção **Configuração de upload de arquivo local**, ative a opção **Habilitar upload de arquivo local** para dar aos usuários permissões para fazer upload de arquivos para o Canvas a partir de suas máquinas locais. Ativar essa opção anexa uma política de compartilhamento de recursos de origem cruzada (CORS) ao bucket do Amazon S3 especificado na **configuração de armazenamento do Canvas** (e substitui qualquer política CORS existente). Para saber mais sobre as permissões de upload de arquivos locais, consulte [Conceder aos seus usuários permissões para fazer upload de arquivos locais](canvas-set-up-local-upload.md).
1. (Opcional) Para a seção de **OAuth configurações**, faça o seguinte:
1. Escolha **Adicionar OAuth configuração**.
1. Em **Fonte de dados**, selecione sua fonte de dados.
1. Em **Configuração secreta**, selecione **Criar um novo segredo** e insira as informações que você tem do seu provedor de identidade. Se você ainda não fez a OAuth configuração inicial com sua fonte de dados, consulte[Configure conexões com fontes de dados com OAuth](canvas-setting-up-oauth.md).
1. (Opcional) Para a **configuração dos Ready-to-use modelos Canvas**, faça o seguinte:
1. Deixe a opção **Ativar Ready-to-use modelos do Canvas** ativada para dar aos usuários permissões para gerar previsões com Ready-to-use modelos no Canvas (ela está ativada por padrão). Essa opção também oferece permissões para conversar com modelos alimentados por IA generativa. Para obter mais informações, consulte [Modelos básicos de IA generativa no Canvas SageMaker](canvas-fm-chat.md).
1. Deixe a opção **Habilitar consulta de documentos usando o Amazon Kendra** ativada para permitir que seus usuários usem modelos de base para consultar documentos armazenados em um índice do Amazon Kendra. Em seguida, insira os índices existentes aos quais você deseja conceder acesso. Para obter mais informações, consulte [Modelos básicos de IA generativa no Canvas SageMaker](canvas-fm-chat.md).
1. Para a **função Amazon Bedrock**, selecione **Criar e use uma nova função de execução** para criar uma nova função de execução do IAM que tenha uma relação de confiança com o Amazon Bedrock. Essa função do IAM é assumida pelo Amazon Bedrock para ajustar grandes modelos de linguagem (LLMs) no Canvas. Se você já tiver uma função de execução com uma relação de confiança, selecione **Usar uma função de execução existente** e escolha sua função no menu suspenso. Para obter mais informações sobre como configurar manualmente as permissões para sua própria função de execução, consulte[Conceda aos usuários permissões para usar o Amazon Bedrock e os atributos de IA generativa no Canvas](canvas-fine-tuning-permissions.md).
1. Conclua a configuração do restante das configurações do domínio usando os [Use a configuração personalizada para Amazon SageMaker AI](onboard-custom.md) procedimentos.
**nota**
Se você encontrar algum problema ao conceder permissões por meio do console, como permissões para Ready-to-use modelos, consulte o tópico[Solução de problemas com a concessão de permissões por meio do console de SageMaker IA](canvas-limits.md#canvas-troubleshoot-trusted-services).
Agora você deve ter um domínio de SageMaker IA configurado e todas as permissões do Canvas configuradas.
Você pode editar as permissões do Canvas para um domínio ou um usuário específico após a configuração inicial do domínio. As configurações individuais do usuário substituem as configurações do domínio. Para saber como editar suas permissões do Canvas nas configurações do domínio, consulte[Editar configurações de domínio](domain-edit.md).
### Dar a si mesmo permissões para usar atributos específicos no Canvas
As informações a seguir descrevem as permissões que você pode conceder a um usuário do Canvas permitir o uso de vários atributos e funcionalidades dentro do Canvas: Algumas dessas permissões podem ser concedidas durante a configuração do domínio, mas algumas exigem permissões ou configurações adicionais. Consulte as informações de permissões específicas para cada atributo que você quiser habilitar:
+ **Upload de arquivo local.** As permissões para upload de arquivos locais são ativadas por padrão nas permissões básicas do Canvas ao configurar seu Domínio. Se você não conseguir carregar arquivos locais da sua máquina para o SageMaker Canvas, você pode anexar uma política de CORS ao bucket do Amazon S3 que você especificou na configuração de armazenamento do Canvas. Se você permitiu que a SageMaker IA usasse o bucket padrão, o bucket seguiria o padrão `s3://sagemaker-{Region}-{your-account-id}` de nomenclatura. Para obter mais informações, consulte [Conceder permissões aos usuários para fazer upload de arquivos locais](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-set-up-local-upload.html).
+ **Modelos personalizados de predição de imagem e texto.** As permissões para criar modelos personalizados de predição de imagem e texto são ativadas por padrão nas permissões básicas do Canvas ao configurar seu Domínio. No entanto, se você tiver uma configuração personalizada do IAM e não quiser anexar a [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)política à função de execução do IAM do seu usuário, deverá conceder explicitamente ao usuário as permissões necessárias. Para obter mais informações, consulte [Conceder aos seus usuários permissões para criar modelos personalizados de predição de imagens e textos](canvas-set-up-cv-nlp.md).
+ **Ready-to-use modelos e modelos de fundação.** Talvez você queira usar os Ready-to-use modelos do Canvas para fazer previsões para seus dados. Com as permissões dos Ready-to-use modelos, você também pode conversar com modelos generativos alimentados por IA. As permissões são ativadas por padrão ao configurar seu Domínio, ou você pode editar as permissões de um Domínio que você já criou. A opção de permissões Ready-to-use dos modelos Canvas adiciona a política de [AmazonSageMakerCanvasAIServicesacesso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) à sua função de execução. Para obter mais informações, consulte a [Conceitos básicos](canvas-ready-to-use-models.md#canvas-ready-to-use-get-started) seção da documentação dos Ready-to-use modelos.
Para obter mais informações sobre como começar a usar modelos básicos de IA generativa, consulte[Modelos básicos de IA generativa no Canvas SageMaker](canvas-fm-chat.md).
+ **Ajuste os modelos de base.** Se quiser ajustar os modelos básicos no Canvas, você pode adicionar as permissões ao configurar seu domínio ou editar as permissões do domínio ou perfil do usuário após criar seu domínio. Você deve adicionar a política de [AmazonSageMakerCanvasAIServicesacesso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) à função do AWS IAM que você escolheu ao configurar o perfil do usuário e também deve adicionar uma relação de confiança com o Amazon Bedrock à função. Para obter instruções sobre como conceder essas permissões ao perfil do IAM, consulte [Conceda aos usuários permissões para usar o Amazon Bedrock e os atributos de IA generativa no Canvas](canvas-fine-tuning-permissions.md).
+ **Envie previsões em lote para o Quick.** Talvez você queira [enviar *previsões em lote*](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-predictions.html) ou conjuntos de dados de previsões que você gera a partir de um modelo personalizado para o Quick for analysis. Em [QuickSight](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html), você pode criar e publicar painéis preditivos com seus resultados de previsão. Para obter instruções sobre como adicionar essas permissões à função do IAM do seu usuário do Canvas, consulte [Conceder a seus usuários permissões para enviar previsões para o Quick](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-quicksight-permissions.html).
+ **Implante modelos do Canvas em um endpoint de SageMaker IA.** SageMaker O AI Hosting oferece *endpoints* que você pode usar para implantar seu modelo para uso na produção. Você pode implantar modelos integrados no Canvas em um endpoint de SageMaker IA e, em seguida, fazer previsões programaticamente em um ambiente de produção. Para obter mais informações, consulte [Implantar seus modelos em um endpoint](canvas-deploy-model.md).
+ **Registre as versões do modelo no registro de modelos.** Talvez você queira registrar *versões* do seu modelo no [registro de modelos de SageMaker IA](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html), que é um repositório para rastrear o status das versões atualizadas do seu modelo. Um cientista de dados ou uma MLOps equipe que trabalha no Registro de SageMaker Modelos pode visualizar as versões do seu modelo que você criou e aprová-las ou rejeitá-las. Em seguida, eles podem implantar sua versão do modelo na produção ou iniciar um fluxo de trabalho automatizado. As permissões de registro de modelos são ativadas por padrão para seu Domínio. Você pode gerenciar permissões no nível do perfil do usuário e conceder ou remover permissões para usuários específicos. Para obter mais informações, consulte [Registre uma versão do modelo no registro de modelos de SageMaker IA](canvas-register-model.md).
+ **Importe dados do Amazon Redshift.** Se quiser importar dados do Amazon Redshift, você deve dar a si mesmo permissões adicionais. Você deve adicionar a política `AmazonRedshiftFullAccess` gerenciada à função AWS do IAM escolhida ao configurar o perfil do usuário. Para obter instruções sobre como adicionar a política ao perfil, consulte [Conceder permissões aos usuários para importar dados do Amazon Redshift](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-redshift-permissions.html).
**nota**
As permissões necessárias para importar por meio de outras fontes de dados, como Amazon Athena e plataformas SaaS, estão incluídas nas políticas e. [AmazonSageMakerFullAccess[AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html) Se você seguiu as instruções de configuração padrão, essas políticas já devem estar anexadas ao seu perfil de execução. Para obter mais informações sobre essas fontes de dados e suas permissões, consulte [Conectar-se à fonte de dados](canvas-connecting-external.md).
## Etapa 1: Faça login no SageMaker Canvas
Quando a configuração inicial estiver concluída, você poderá acessar o SageMaker Canvas com qualquer um dos seguintes métodos, dependendo do seu caso de uso:
+ No [console do SageMaker AI](https://console.aws.amazon.com/sagemaker/), escolha o **Canvas** no painel de navegação esquerdo. Em seguida, na página **Canvas**, selecione seu usuário no menu suspenso e inicie a aplicação Canvas.
+ Abra o [SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html) e, na interface do Studio, acesse a página Canvas e inicie o aplicativo Canvas.
+ Use os métodos de SSO baseados em SAML 2.0 da sua organização, como o Okta ou o IAM Identity Center.
Quando você entra no SageMaker Canvas pela primeira vez, a SageMaker IA cria o aplicativo e um *espaço* de SageMaker IA para você. Os dados da aplicação do Canvas são armazenados no espaço. Para saber mais sobre espaços, consulte [Colaboração com espaços compartilhados](domain-space.md). O espaço consiste nas aplicações do seu perfil de usuário e em um diretório compartilhado para todos os dados das suas aplicações. Se você não quiser usar o espaço padrão criado pela SageMaker IA e preferir criar seu próprio espaço para armazenar dados do aplicativo, consulte a página[Armazene dados do aplicativo SageMaker Canvas em seu próprio espaço de SageMaker IA](canvas-spaces-setup.md).
## Etapa 2: Use o SageMaker Canvas para obter previsões
Após fazer login no Canvas, você pode começar a criar modelos e gerar predições para seus dados.
Você pode usar Ready-to-use modelos do Canvas para fazer previsões sem criar um modelo ou criar um modelo personalizado para seu problema comercial específico. Analise as informações a seguir para decidir se Ready-to-use os modelos ou modelos personalizados são os melhores para seu caso de uso.
+ **Ready-to-use modelos.** Com Ready-to-use modelos, você pode usar modelos pré-criados para extrair insights de seus dados. Os Ready-to-use modelos abrangem uma variedade de casos de uso, como detecção de linguagem e análise de documentos. Para começar a fazer previsões com Ready-to-use modelos, consulte[Ready-to-use modelos](canvas-ready-to-use-models.md).
+ **Modelos personalizados.** Com modelos personalizados, você pode criar uma variedade de tipos de modelos personalizados para fazer predições para seus dados. Use modelos personalizados se quiser criar um modelo treinado com base nos dados específicos da sua empresa e se quiser usar determinados recursos, [como avaliar o desempenho do seu modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html). Para começar a criar um modelo personalizado, consulte [Modelos personalizados](canvas-custom-models.md).
# Tutorial: Crie um fluxo de trabalho end-to-end de aprendizado de máquina no SageMaker Canvas
Este tutorial orienta você em um fluxo de trabalho end-to-end de aprendizado de máquina (ML) usando o Amazon SageMaker Canvas. SageMaker O Canvas é uma interface visual sem código que você pode usar para preparar dados e treinar e implantar modelos de ML. Para o tutorial, você usa um conjunto de dados de táxi de Nova York para treinar um modelo que prevê o valor da tarifa para uma determinada viagem. Você obtém experiência prática com as principais tarefas de ML, como avaliar a qualidade dos dados e resolver problemas de dados, dividir os dados em conjuntos de treinamento e teste, treinamento e avaliação de modelos, fazer previsões e implantar seu modelo treinado — tudo dentro do aplicativo Canvas. SageMaker
**Importante**
Este tutorial pressupõe que você ou seu administrador tenham criado uma AWS conta. Para obter informações sobre como criar uma AWS conta, consulte [Introdução: Você é um AWS usuário iniciante?](https://docs.aws.amazon.com/accounts/latest/reference/welcome-first-time-user.html)
## Configurar
Um domínio da Amazon SageMaker AI é um local centralizado para gerenciar todos os seus ambientes e recursos de SageMaker IA da Amazon. Um domínio atua como um limite virtual para seu trabalho em SageMaker IA, fornecendo isolamento e controle de acesso para seus recursos de aprendizado de máquina (ML).
Para começar a usar o Amazon SageMaker Canvas, você ou seu administrador devem navegar até o console de SageMaker IA e criar um domínio do Amazon SageMaker AI. Um domínio tem os recursos de armazenamento e computação necessários para você executar o SageMaker Canvas. Dentro do domínio, você configura o SageMaker Canvas para acessar seus buckets do Amazon S3 e implantar modelos. Use o procedimento a seguir para configurar um domínio rápido e criar um aplicativo SageMaker Canvas.
**Para configurar o SageMaker Canvas**
1. Navegue até o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. Na navegação à esquerda, escolha SageMaker Canvas.
1. Escolha **Criar um domínio de SageMaker IA**.
1. Escolha **Configurar**. Pode levar alguns minutos para configurar o domínio.
O procedimento anterior usou uma configuração rápida de domínio. Você pode realizar uma configuração avançada para controlar todos os aspectos da configuração da conta, incluindo permissões, integrações e criptografia. Para obter mais informações sobre a configuração personalizada, consulte [Use a configuração personalizada para Amazon SageMaker AI](onboard-custom.md).
Por padrão, a configuração rápida do domínio fornece permissões para implantar modelos. Se você tiver permissões personalizadas configuradas por meio de um domínio padrão e precisar conceder manualmente as permissões de implantação do modelo, consulte[Gerenciamento de permissões](canvas-deploy-model.md#canvas-deploy-model-prereqs).
## Criação de fluxo
O Amazon SageMaker Canvas é uma plataforma de aprendizado de máquina que permite aos usuários criar, treinar e implantar modelos de aprendizado de máquina sem grande experiência em programação ou aprendizado de máquina. Um dos recursos poderosos do Amazon SageMaker Canvas é a capacidade de importar e trabalhar com grandes conjuntos de dados de várias fontes, como o Amazon S3.
Para este tutorial, estamos usando o conjunto de dados de táxi de Nova York para prever o valor da tarifa para cada viagem usando um fluxo de dados do Amazon SageMaker Canvas Data Wrangler. O procedimento a seguir descreve as etapas para importar uma versão modificada do conjunto de dados de táxi de Nova York em um fluxo de dados.
**nota**
Para melhorar o processamento, o SageMaker Canvas importa uma amostra dos seus dados. Por padrão, ele coleta amostras aleatoriamente de 50.000 linhas.
**Para importar o conjunto de dados de táxis de Nova York**
1. Na página inicial do SageMaker Canvas, escolha **Data Wrangler**.
1. Escolha **Importar dados**.
1. Selecione **Tabular**.
1. Escolha a caixa de ferramentas ao lado da fonte de dados.
1. Selecione **Amazon S3** no menu suspenso.
1. Para o **endpoint S3 de entrada**, especifique `s3://amazon-sagemaker-data-wrangler-documentation-artifacts/canvas-single-file-nyc-taxi-dataset.csv`
1. Escolha **Ir**.
1. Marque a caixa de seleção ao lado do conjunto de dados.
1. Escolha **Visualizar dados**.
1. Escolha **Salvar**.
## Relatório 1 de qualidade de dados e insights (amostra)
Depois de importar um conjunto de dados para o Amazon SageMaker Canvas, você pode gerar um relatório de qualidade de dados e insights sobre uma amostra dos dados. Use-o para fornecer informações valiosas sobre o conjunto de dados. O relatório faz o seguinte:
+ Avalia a integridade do conjunto de dados
+ Identifica valores ausentes e valores discrepantes
Ele pode identificar outros possíveis problemas que podem afetar o desempenho do modelo. Ele também avalia o poder preditivo de cada atributo em relação à variável alvo, permitindo que você identifique os atributos mais relevantes para o problema que você está tentando resolver.
Podemos usar as informações do relatório para prever o valor da tarifa. Ao especificar a coluna **Valor da tarifa** como a variável-alvo e selecionar **Regressão** como o tipo de problema, o relatório analisará a adequação do conjunto de dados para prever valores contínuos, como preços de tarifas. O relatório deve revelar que atributos como **ano** e **hora\$1do\$1dia** têm baixo poder preditivo para a variável-alvo escolhida, fornecendo informações valiosas.
Use o procedimento a seguir para obter um relatório de Qualidade dos Dados e Insights sobre uma amostra de 50.000 linhas do conjunto de dados.
**Para obter um relatório sobre uma amostra**
1. Escolha **Obter informações de dados** na janela pop-up ao lado do nó **Tipos de dados**.
1. Em **Nome da análise**, especifique um nome para o relatório de insights.
1. Em **Tipo de problema**, escolha **Regressão.**
1. **Na coluna Alvo**, escolha **Valor da tarifa**.
1. Escolha **Criar**.
É possível revisar o relatório de Qualidade dos Dados e Insights em uma amostra de seus dados. O relatório indica que os atributos do **ano** e da **hora do dia** não são preditivos da variável-alvo, **valor da tarifa.**
Na parte superior da navegação, escolha o nome do fluxo de dados para voltar para ele.
## Exclua o ano e a hora do dia
Estamos usando os insights do relatório para eliminar as colunas **ano** e **hora\$1do\$1dia** para otimizar o espaço de atributos e potencialmente melhorar o desempenho do modelo.
O Amazon SageMaker Canvas fornece uma interface e ferramentas fáceis de usar para realizar essas transformações de dados.
Use o procedimento a seguir para remover as colunas **ano** e **hora\$1do\$1dia do conjunto de** dados de táxis de Nova York usando a ferramenta Data Wrangler no Amazon Canvas. SageMaker
1. Escolha o ícone ao lado de **Tipos de dados**.
1. Escolha **Adicionar etapa**.
1. Na barra de pesquisa, escreva **Excluir Coluna**.
1. Escolha **Gerenciar colunas**.
1. Escolha **Excluir coluna**.
1. Em **Colunas a serem excluídas**, selecione as colunas **ano** e **hora\$1do\$1dia**.
1. Escolha **Pré-Visualizar** para ver como sua transformação altera seus dados.
1. Escolha **Adicionar**.
Você pode usar o procedimento anterior como base para adicionar todas as outras transformações no SageMaker Canvas.
## Relatório de Qualidade de Dados e Insights 2 (conjunto de dados completo)
Para o relatório de insights anterior, usamos uma amostra do conjunto de dados de táxis de Nova York. Para nosso segundo relatório, estamos realizando uma análise abrangente de todo o conjunto de dados para identificar possíveis problemas que afetam o desempenho do modelo.
Use o procedimento a seguir para criar um relatório de Qualidade de Dados e Insights sobre um conjunto de dados inteiro.
**Para obter um relatório sobre o conjunto de dados inteiro**
1. Escolha o ícone ao lado do nó **Eliminar colunas**.
1. Selecione **Obter insights de dados**.
1. Em **Nome da análise**, especifique um nome para o relatório de insights.
1. Em **Tipo de problema**, escolha **Regressão.**
1. **Na coluna Alvo**, escolha **Valor da tarifa**.
1. Em **Tamanho dos dados**, escolha Conjunto de **dados completo.**
1. Escolha **Criar**.
A seguir está uma imagem do relatório de insights:
![\[Linhas duplicadas, alvo distorcido e pontuação muito baixa do modelo rápido estão listadas como insightsP\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/canvas-tutorial-dqi-insights.png)
Ele mostra os seguintes problemas:
+ Linhas duplicadas
+ Alvo distorcido
Linhas duplicadas podem levar ao vazamento de dados, onde o modelo é exposto aos mesmos dados durante o treinamento e o teste. Eles podem levar a métricas de desempenho excessivamente otimistas. A remoção de linhas duplicadas garante que o modelo seja treinado em instâncias exclusivas, reduzindo o risco de vazamento de dados e melhorando a capacidade de generalização do modelo.
Uma distribuição distorcida da variável-alvo, nesse caso, a coluna **Valor da tarifa**, pode causar classes desequilibradas, em que o modelo pode se tornar tendencioso para a classe majoritária. Isso pode levar a um desempenho ruim em classes minoritárias, o que é particularmente problemático em cenários em que é importante prever com precisão instâncias raras ou sub-representadas.
## Lidar com problemas de qualidade de dados
Para resolver esses problemas e preparar o conjunto de dados para modelagem, você pode pesquisar as seguintes transformações e aplicá-las:
1. Elimine duplicatas usando a transformação **Gerenciar linhas**.
1. **Lide com valores discrepantes** na coluna **Valor da tarifa** usando os **valores discrepantes numéricos de desvio padrão robusto**.
1. **Gerencie valores discrepantes** nas colunas **Distância da viagem** e **Duração da viagem** usando os **valores atípicos numéricos do desvio padrão**.
1. Use a **categoria Codificar** para codificar as colunas **Código de tarifa ID**, **Tipo de pagamento**, **Sinalizador extra** e **Sinalizador de pedágio** como flutuantes.
Se você não tiver certeza sobre como aplicar uma transformação, consulte [Exclua o ano e a hora do dia](#canvas-tutorial-drop-year-and-hour-of-day)
Ao abordar esses problemas de qualidade de dados e aplicar as transformações apropriadas, você pode melhorar a adequação do conjunto de dados para modelagem.
## Verificando a qualidade dos dados e a precisão rápida do modelo
Depois de aplicar as transformações para resolver problemas de qualidade de dados, como remover linhas duplicadas, criamos nosso relatório final de Qualidade de Dados e Insights. Esse relatório ajuda a verificar se as transformações aplicadas resolveram os problemas e se o conjunto de dados agora está em um estado adequado para modelagem.
Ao revisar o relatório final de qualidade de dados e insights, você não deve esperar que nenhum problema importante de qualidade de dados seja sinalizado. O relatório deve indicar que:
+ A variável alvo não está mais distorcida
+ Não há valores atípicos ou linhas duplicadas
Além disso, o relatório deve fornecer uma pontuação rápida do modelo com base em um modelo de linha de base treinado no conjunto de dados transformado. Essa pontuação serve como um indicador inicial da precisão e desempenho potenciais do modelo.
Use o procedimento a seguir para criar um relatório de Qualidade dos Dados e Insights.
**Para criar um relatório de Qualidade dos Dados e Insights**
1. Escolha o ícone ao lado do nó **Eliminar colunas**.
1. Selecione **Obter insights de dados**.
1. Em **Nome da análise**, especifique um nome para o relatório de insights.
1. Em **Tipo de problema**, escolha **Regressão.**
1. **Na coluna Alvo**, escolha **Valor da tarifa**.
1. Em **Tamanho dos dados**, escolha Conjunto de **dados completo.**
1. Escolha **Criar**.
## Divida os dados em conjuntos de dados de treinamento, teste e validação.
Para treinar um modelo e avaliar seu desempenho, usamos a transformação de **dados Split** para dividir os dados em conjuntos de treinamento e teste.
Por padrão, o SageMaker Canvas usa uma divisão aleatória, mas você também pode usar os seguintes tipos de divisões:
+ Ordenada
+ Estratificado
+ Dividir por chave
Você pode alterar a **porcentagem de divisão** ou adicionar divisões.
Para este tutorial, use as configurações padrão. Você precisa clicar duas vezes no conjunto de dados para ver seu nome. O conjunto de dados de treinamento tem o nome **Conjunto de dados (treinamento)**.
Ao lado do nó de **Codificação ordinal**, aplique a transformação de **dados Split**.
## Modelos de treinamento
Depois de dividir seus dados, você pode treinar um modelo. Esse modelo aprende com os padrões em seus dados. Você pode usá-lo para fazer predições ou descobrir insights.
SageMaker O Canvas tem compilações rápidas e compilações padrão. Use uma versão padrão para treinar o modelo de melhor desempenho em seus dados.
Antes de começar a treinar um modelo, você deve primeiro exportar o conjunto de dados de treinamento como um conjunto de dados do SageMaker Canvas.
**Para importar seus conjuntos de dados**
1. Ao lado do nó do conjunto de dados de treinamento, escolha o ícone e selecione **Exportar**.
1. Selecione o conjunto de **dados do SageMaker Canvas.**
1. Escolha **Exportar** para exportar o conjunto de dados.
Depois de criar um conjunto de dados, você pode treinar um modelo no conjunto de dados SageMaker Canvas que você criou. Para obter informações sobre como treinar um modelo, consulte [Criar um modelo personalizado de predição numérica ou categórica](canvas-build-model-how-to.md#canvas-build-model-numeric-categorical).
## Avalie o modelo e faça predições
Depois de treinar seu modelo de machine learning, é fundamental avaliar seu desempenho para garantir que ele atenda aos seus requisitos e tenha um bom desempenho em dados não vistos. O Amazon SageMaker Canvas fornece uma interface fácil de usar para avaliar a precisão do seu modelo, revisar suas previsões e obter informações sobre seus pontos fortes e fracos. Você pode usar os insights para tomar decisões informadas sobre sua implantação e possíveis áreas de melhoria.
Use o procedimento a seguir para avaliar um modelo antes de implantá-lo.
**Como avaliar um modelo**
1. Escolha **Meus modelos**.
1. Escolha o modelo que você criou.
1. Em **Versões**, selecione a versão correspondente ao modelo.
Agora é possível visualizar as métricas de avaliação do modelo.
Depois de compilar o modelo, você pode fazer predições sobre novos dados. Estamos usando o conjunto de dados de teste que criamos.
Para usar o conjunto de dados de teste para previsões, precisamos convertê-lo em um conjunto de dados do SageMaker Canvas. O conjunto de dados do SageMaker Canvas está em um formato que o modelo pode interpretar.
Use o procedimento a seguir para criar um conjunto de dados do SageMaker Canvas a partir do conjunto de dados de teste.
**Para criar um conjunto de dados do SageMaker Canvas**
1. Ao lado do **conjunto de dados (Teste)**, escolha o ícone do rádio.
1. Selecione **Exportar**.
1. Selecione o conjunto de **dados do SageMaker Canvas.**
1. Em **nome do conjunto de dados**, especifique o nome do conjunto de dados.
1. Escolha **Exportar**.
Use o procedimento a seguir para fazer predições. Isso pressupõe que você ainda esteja na página **Analisar**.
**Para fazer predições no conjunto de dados de teste**
1. Escolha **Prever**.
1. Escolha **Manual**.
1. Selecione o conjunto de dados que você exportou.
1. Em seguida, escolha **Gerar predições**.
1. Quando o SageMaker Canvas terminar de gerar as previsões, selecione o ícone à direita do conjunto de dados.
1. Escolha **Visualizar** para visualizar a alteração.
## Implantar um modelo
Depois de avaliar seu modelo, você pode implantá-lo em um endpoint. Você pode enviar solicitações ao endpoint para obter predições.
Use o procedimento a seguir para implantar um visual. Isso pressupõe que você ainda esteja na página **Predict**.
**Para implantar o modelo**
1. Escolha **Implantar**.
1. Escolha **Criar implantação**.
1. Escolha **Implantar**.
## Limpeza
Você concluiu o tutorial com êxito. Para evitar cobranças adicionais, exclua os recursos que você não está mais usando.
Use o procedimento a seguir para excluir um endpoint que você criou. Isso pressupõe que você ainda esteja na página **Implantar**.
**Para excluir um endpoint**
1. Escolha o botão de opção à direita da sua implantação.
1. Selecione **Excluir implantação**.
1. Escolha **Excluir**.
Depois de excluir a implantação, exclua os conjuntos de dados que você criou no SageMaker Canvas. Use o procedimento a seguir para excluir um conjunto de dados.
**Para excluir os conjuntos de dados**
1. No painel de navegação à esquerda, escolha **Conjunto de Dados**.
1. Selecione o conjunto de dados que você analisou e o conjunto de dados sintético usado para predições.
1. Escolha **Excluir**.
Para evitar cobranças adicionais, você deve sair do SageMaker Canvas. Para obter mais informações, consulte [Sair do Amazon SageMaker Canvas](canvas-log-out.md).
# Configuração e gerenciamento de permissões do Amazon SageMaker Canvas (para administradores de TI)
As páginas a seguir explicam como os administradores de TI podem configurar o Amazon SageMaker Canvas e conceder permissões aos usuários em suas organizações. Você aprende a definir a configuração de armazenamento, gerenciar a criptografia de dados e controlar o acesso a recursos específicos VPCs, como modelos básicos de IA generativos, integrar-se a outros AWS serviços, como o Amazon Redshift e muito mais. Seguindo essas etapas, você pode personalizar o SageMaker Canvas para seus usuários com base nos requisitos específicos da sua organização.
Você também pode configurar o SageMaker Canvas para seus usuários com AWS CloudFormation. Para obter mais informações, consulte [AWS:: SageMaker AI: :App](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/aws-resource-sagemaker-app.html) no *Guia do AWS CloudFormation usuário*.
**Topics**
+ [Conceder aos seus usuários permissões para fazer upload de arquivos locais](canvas-set-up-local-upload.md)
+ [Configure o SageMaker Canvas para seus usuários](setting-up-canvas-sso.md)
+ [Configurar seu armazenamento do Amazon S3](canvas-storage-configuration.md)
+ [Conceder permissões para armazenamento do Amazon S3 entre contas](canvas-permissions-cross-account.md)
+ [Conceda aos usuários permissões para usar grandes volumes de dados em todo o ciclo de vida do ML](canvas-large-data-permissions.md)
+ [Criptografe seus dados do SageMaker Canvas com AWS KMS](canvas-kms.md)
+ [Armazene dados do aplicativo SageMaker Canvas em seu próprio espaço de SageMaker IA](canvas-spaces-setup.md)
+ [Conceder aos seus usuários permissões para criar modelos personalizados de predição de imagens e textos](canvas-set-up-cv-nlp.md)
+ [Conceda aos usuários permissões para usar o Amazon Bedrock e os atributos de IA generativa no Canvas](canvas-fine-tuning-permissions.md)
+ [Atualize o SageMaker Canvas para seus usuários](canvas-update.md)
+ [Solicitar um aumento da cota](canvas-requesting-quota-increases.md)
+ [Conceder permissões aos usuários para importar dados do Amazon Redshift](canvas-redshift-permissions.md)
+ [Conceda a seus usuários permissões para enviar previsões para o Quick](canvas-quicksight-permissions.md)
+ [Gerenciamento de aplicações](canvas-manage-apps.md)
+ [Configurar o Amazon SageMaker Canvas em uma VPC sem acesso à Internet](canvas-vpc.md)
+ [Configure conexões com fontes de dados com OAuth](canvas-setting-up-oauth.md)
# Conceder aos seus usuários permissões para fazer upload de arquivos locais
Se seus usuários estiverem fazendo upload de arquivos de suas máquinas locais para o SageMaker Canvas, você deve anexar uma configuração CORS (compartilhamento de recursos de origem cruzada) ao bucket do Amazon S3 que eles estão usando. Ao configurar ou editar o domínio SageMaker AI ou perfil de usuário, você pode especificar uma localização personalizada do Amazon S3 ou a localização padrão, que é um bucket Amazon S3 criado por SageMaker IA com um nome que usa o seguinte padrão:. `s3://sagemaker-{Region}-{your-account-id}` SageMaker O Canvas adiciona os dados dos seus usuários ao bucket sempre que eles fazem upload de um arquivo.
Para conceder aos usuários permissões para fazer upload de arquivos locais no bucket, você pode anexar uma configuração de CORS a ele usando um dos procedimentos a seguir. Você pode usar o primeiro método ao editar as configurações do seu domínio, permitindo que a SageMaker IA anexe a configuração do CORS ao bucket para você. Você também pode usar o primeiro método para editar um perfil de usuário em um domínio. O segundo método é o método manual, no qual você mesmo pode anexar a configuração do CORS ao bucket.
## SageMaker Método de configurações de domínio AI
Para conceder aos seus usuários permissões para fazer upload de arquivos locais, você pode editar a configuração da aplicação Canvas nas configurações do domínio. Isso anexa uma configuração Cross-Origin Resource Sharing (CORS) ao bucket Amazon S3 da configuração de armazenamento do Canvas e concede a todos os usuários no domínio permissão para carregar arquivos locais no Canvas. SageMaker Por padrão, a opção de permissões é ativada quando você configura um novo domínio, mas você pode ativá-la e desativá-la conforme necessário.
**nota**
Se você tiver uma configuração CORS existente no bucket do Amazon S3 de configuração de armazenamento, ativar a opção de upload de arquivo local substituirá a configuração existente pela nova configuração.
O procedimento a seguir mostra como você pode ativar essa opção editando as configurações do domínio no console do SageMaker AI.
1. Acesse o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, selecione **Domínios**.
1. A partir da lista de Domínios, escolha o seu Domínio.
1. Na página de detalhes do domínio, selecione a guia **Configuração de aplicações**.
1. Vá para a seção **Canvas** e escolha **Editar**.
1. Ative a opção **Habilitar upload de arquivo local**. Isso anexa a configuração do CORS e concede permissões de upload de arquivos locais.
1. Selecione **Enviar**.
Os usuários no domínio especificado agora devem ter permissões locais de upload de arquivos.
Você também pode conceder permissões a perfis de usuário específicos em um domínio seguindo o procedimento anterior e acessando as configurações do perfil do usuário em vez das configurações gerais do domínio.
## Método de bucket do Amazon S3
Se você quiser anexar manualmente a configuração do CORS ao bucket SageMaker AI Amazon S3, use o procedimento a seguir.
1. Faça login na [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/).
1. Escolha o bucket. Se seu domínio usa o bucket padrão criado pela SageMaker IA, o nome do bucket usa o seguinte padrão:`s3://sagemaker-{Region}-{your-account-id}`.
1. Escolha **Permissões**.
1. Navegue para **Compartilhamento de recursos de origem cruzada (CORS)**.
1. Escolha **Editar**.
1. Adicione a política do CORS a seguir:
```
[
{
"AllowedHeaders": [
"*"
],
"AllowedMethods": [
"POST"
],
"AllowedOrigins": [
"*"
],
"ExposeHeaders": []
}
]
```
1. Escolha **Salvar alterações**.
No procedimento anterior, a política do CORS deve ter `"POST"` listado sob `AllowedMethods`.
Após passar pelo procedimento, você deve ter:
+ Um perfil do IAM atribuído a cada um dos seus usuários.
+ Permissões de tempo de execução do Amazon SageMaker Studio Classic para cada um dos seus usuários. SageMaker O Canvas usa o Studio Classic para executar os comandos de seus usuários.
+ Se os usuários estiverem fazendo upload de arquivos de suas máquinas locais, uma política de CORS será anexada ao bucket do Amazon S3.
Se seus usuários ainda não conseguirem carregar os arquivos locais após a atualização da política do CORS, o navegador pode estar armazenando em cache as configurações do CORS de uma tentativa anterior de upload. Se eles tiverem problemas, instrua-os a limpar o cache do navegador e tentar novamente.
# Configure o SageMaker Canvas para seus usuários
Para configurar o Amazon SageMaker Canvas, faça o seguinte:
+ Crie um domínio Amazon SageMaker AI.
+ Crie perfis de usuário para o domínio
+ Configure a autenticação única do Okta (Okta SSO, Single Sign On) para seus usuários.
+ Ative o compartilhamento de links para modelos.
Use o Okta Single-Sign On (Okta SSO) para conceder aos seus usuários acesso ao Amazon Canvas. SageMaker SageMaker O Canvas oferece suporte aos métodos SAML 2.0 SSO. As seções a seguir orientam você pelos procedimentos para configurar o Okta SSO.
Para configurar um domínio, consulte [Use a configuração personalizada para Amazon SageMaker AI](onboard-custom.md) e siga as instruções para configurar seu domínio usando a autenticação do IAM. Você pode usar as seguintes informações para ajudar a concluir o procedimento na seção:
+ Você pode ignorar a etapa de criação de projetos.
+ Não é necessário fornecer acesso a buckets adicionais do Amazon S3. Seus usuários podem usar o bucket padrão que fornecemos quando criamos uma função.
+ Para conceder aos usuários acesso para compartilhar seus cadernos com cientistas de dados, ative a **Configuração de compartilhamento do caderno**.
+ Use o Amazon SageMaker Studio Classic versão 3.19.0 ou posterior. Para obter informações sobre a atualização do Amazon SageMaker Studio Classic, consulte[Desligue e atualize o Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
Utilize o procedimento a seguir para configurar o Okta. Para todos os procedimentos a seguir, você especifica a mesmo perfil do IAM para `IAM-role`.
## Adicione o aplicativo SageMaker Canvas ao Okta
Configure o método de login para o Okta.
1. Faça login no painel de administração do Okta.
1. Escolha **Adicionar aplicação**. Pesquise por **Federação de contas da AWS **.
1. Escolha **Adicionar**.
1. Opcional: altere o nome para **Amazon SageMaker Canvas**.
1. Escolha **Próximo**.
1. Escolha **SAML 2.0** como o método de **autenticação**.
1. Escolha **Metadados do provedor de identidade** para abrir o arquivo XML de metadados. Salve o arquivo localmente.
1. Selecione **Concluído**.
## Configurar federação de ID no IAM
AWS Identity and Access Management (IAM) é o AWS serviço que você usa para obter acesso à sua AWS conta. Você obtém acesso AWS por meio de uma conta do IAM.
1. Faça login no AWS console.
1. Escolha **AWS Identity and Access Management (IAM)**.
1. Escolha **Provedores de identidades**.
1. Escolha **Criar provedor**.
1. Para **Configurar provedor**, especifique o seguinte:
+ **Tipo de provedor**: na lista suspensa, escolha **SAML**.
+ **Nome do provedor**: especifique **Okta**.
+ **Documento de metadados**: faça o upload do documento XML que você salvou localmente a partir da etapa 7 de [Adicione o aplicativo SageMaker Canvas ao Okta](#canvas-set-up-okta).
1. Encontre seu provedor de identidades em **Provedores de identidades**. Copie o valor do **ARN do provedor**.
1. Em **Perfis**, escolha o perfil do IAM que você está usando para acessar o Okta SSO.
1. Sob **Relações de confiança** do perfil do IAM, escolha **Editar relação de confiança**.
1. Modifique a política de relacionamento de confiança do IAM especificando o valor do **ARN do provedor** que você copiou e adicione a seguinte política:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Federated": "arn:aws:iam::111122223333:saml-provider/Okta"
},
"Action": [
"sts:AssumeRoleWithSAML",
"sts:TagSession"
],
"Condition": {
"StringEquals": {
"SAML:aud": "https://signin.aws.amazon.com/saml"
}
}
},
{
"Effect": "Allow",
"Principal": {
"Federated": "arn:aws:iam::111122223333:saml-provider/Okta"
},
"Action": [
"sts:SetSourceIdentity"
]
}
]
}
```
------
1. Para **Permissões**, adicione a seguinte política:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AmazonSageMakerPresignedUrlPolicy",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "*"
}
]
}
```
------
## Configurar o SageMaker Canvas no Okta
Configure o Amazon SageMaker Canvas no Okta usando o procedimento a seguir.
Para configurar o Amazon SageMaker Canvas para usar o Okta, siga as etapas nesta seção. Você deve especificar nomes de usuário exclusivos para cada **SageMakerStudioProfileName**campo. Por exemplo, você pode usar `user.login` como um valor. Se o nome de usuário for diferente do nome do perfil do SageMaker Canvas, escolha um atributo de identificação exclusivo diferente. Por exemplo, você pode usar o número de identificação de um funcionário para o nome do perfil.
Para ver um exemplo de valores que você pode definir para **Atributos**, consulte o código a seguir ao procedimento.
1. Em **Diretório**, escolha **Grupos**.
1. Adicione um grupo com o seguinte padrão: `sagemaker#canvas#IAM-role#AWS-account-id`.
1. No Okta, abra a configuração de integração da aplicação **Federação de contas da AWS **.
1. Selecione **Entrar no** aplicativo de Federação de AWS Contas.
1. Escolha **Editar** e especifique o seguinte:
+ SAML 2.0
+ **Estado de retransmissão padrão** — https://*Region*.console.aws.amazon. com/sagemaker/home? região = *Region* studio/canvas/open \$1//. *StudioId* Você pode encontrar a ID do Studio Classic no console: [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Selecione **Atributos**.
1. Nos **SageMakerStudioProfileName**campos, especifique valores exclusivos para cada nome de usuário. Os nomes de usuário devem corresponder aos nomes de usuário que você criou no console da AWS .
```
Attribute 1:
Name: https://aws.amazon.com/SAML/Attributes/PrincipalTag:SageMakerStudioUserProfileName
Value: ${user.login}
Attribute 2:
Name: https://aws.amazon.com/SAML/Attributes/TransitiveTagKeys
Value: {"SageMakerStudioUserProfileName"}
```
1. Selecione **Tipo de ambiente**. Escolha ** AWS Regular**.
+ Se o tipo de ambiente não estiver listado, você poderá definir o URL do ACS no campo **URL do ACS**. Se o tipo de ambiente estiver listado, não será preciso inserir o URL do ACS
1. Para o **ARN do provedor de identidades**, especifique o ARN usado na etapa 6 do procedimento anterior.
1. Especifique a **Duração da sessão**.
1. Escolha **Participar de todos os perfis**.
1. Ative a **Usar mapeamento de grupos** especificando os seguintes campos:
+ **Filtro de aplicações**: `okta`
+ **Filtro de grupo**: `^aws\#\S+\#(?IAM-role[\w\-]+)\#(?accountid\d+)$`
+ **Padrão de valor do perfil**: `arn:aws:iam::$accountid:saml-provider/Okta,arn:aws:iam::$accountid:role/IAM-role`
1. Escolha **Salvar/Próximo**.
1. Em **Atribuições**, atribua a aplicação ao grupo que você criou.
## Adicione políticas opcionais sobre controle de acesso no IAM
No IAM, você pode aplicar a política a seguir ao usuário administrador que cria os perfis de usuário.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "CreateSageMakerStudioUserProfilePolicy",
"Effect": "Allow",
"Action": "sagemaker:CreateUserProfile",
"Resource": "*",
"Condition": {
"ForAnyValue:StringEquals": {
"aws:TagKeys": [
"studiouserid"
]
}
}
}
]
}
```
------
Se você optar por adicionar a política anterior ao usuário administrador, deverá usar as seguintes permissões de [Configurar federação de ID no IAM](#set-up-id-federation-IAM):
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AmazonSageMakerPresignedUrlPolicy",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "*",
"Condition": {
"StringEquals": {
"sagemaker:ResourceTag/studiouserid": "${aws:PrincipalTag/SageMakerStudioUserProfileName}"
}
}
}
]
}
```
------
# Configurar seu armazenamento do Amazon S3
Quando você configura seu aplicativo SageMaker Canvas, o local de armazenamento padrão para artefatos do modelo, conjuntos de dados e outros dados do aplicativo é um bucket do Amazon S3 criado pelo Canvas. Esse bucket padrão do Amazon S3 segue o padrão de nomenclatura `s3://sagemaker-{Region}-{your-account-id}` e existe na mesma região da aplicação do Canvas. No entanto, você pode personalizar o local de armazenamento e especificar seu próprio bucket do Amazon S3 para armazenar dados da aplicação do Canvas. Talvez você queira usar seu próprio bucket do Amazon S3 para armazenar dados de aplicações por qualquer um dos seguintes motivos:
+ Sua organização tem convenções de nomenclatura internas para buckets do Amazon S3.
+ Você deseja habilitar o acesso entre contas a artefatos do modelo ou outros dados do Canvas.
+ Você quer estar em conformidade com as diretrizes de segurança internas, como restringir os usuários a buckets ou artefatos de modelo específicos do Amazon S3.
+ Você quer maior visibilidade e acesso aos registros produzidos pelo Canvas, independentemente do AWS console ou do SageMaker Studio Classic.
Ao especificar seu próprio bucket do Amazon S3, você pode ter maior controle sobre seu próprio armazenamento e estar em conformidade com sua organização.
Para começar, você pode criar um novo domínio de SageMaker IA ou perfil de usuário ou atualizar um domínio ou perfil de usuário existente. Observe que as configurações do perfil do usuário substituem as configurações no nível do domínio. Por exemplo, você pode usar a configuração padrão do bucket no nível do domínio, mas você pode especificar um bucket personalizado do Amazon S3 para um usuário individual. Após especificar seu próprio bucket do Amazon S3 para o domínio ou perfil de usuário, o Canvas cria uma subpasta chamada `Canvas/` sob o URI de entrada do Amazon S3 e salva todos os artefatos gerados na aplicação do Canvas nessa subpasta.
**Importante**
Se você atualizar um domínio ou perfil de usuário existente, não terá mais acesso aos artefatos do Canvas do local anterior. Seus arquivos ainda estão na antiga localidade do Amazon S3, mas você não pode mais visualizá-los no Canvas. A nova configuração entrará em vigor na próxima vez que você fizer login na aplicação.
Para obter mais informações sobre a concessão de acesso entre contas ao seu bucket do Amazon S3, consulte [Conceder permissões de objetos entre contas](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-walkthroughs-managing-access-example4.html#access-policies-walkthrough-example4-overview) no *Guia do usuário do Amazon S3*.
As seções a seguir descrevem como especificar um bucket personalizado do Amazon S3 para sua configuração de armazenamento do Canvas. Se você estiver configurando um novo domínio de SageMaker IA (ou um novo usuário em um domínio), use o [Novo método de configuração de domínio](#canvas-storage-configuration-new-domain) ou [Novo método de configuração de perfil de usuário](#canvas-storage-configuration-new-user) o. Se você tem um perfil de usuário do Canvas existente e gostaria de atualizar a configuração de armazenamento do perfil, use [Método de usuário existente](#canvas-storage-configuration-existing-user).
## Antes de começar
Se você estiver especificando um URI do Amazon S3 de uma conta AWS diferente ou se estiver usando um bucket criptografado AWS KMS com, deverá configurar as permissões antes de continuar. Você deve conceder permissões AWS do IAM para garantir que o Canvas possa baixar e carregar objetos de e para o seu bucket. Para obter informações detalhadas sobre como conceder as permissões necessárias, consulte [Conceder permissões para armazenamento do Amazon S3 entre contas](canvas-permissions-cross-account.md).
Além disso, o URI final do Amazon S3 para a pasta de treinamento em seu local de armazenamento do Canvas deve ter 128 caracteres ou menos. O URI final do Amazon S3 consiste no caminho do seu bucket `s3:////` mais o caminho que o Canvas adiciona ao seu bucket: `Canvas//Training`. Por exemplo, um caminho aceitável com menos de 128 caracteres é `s3:////Canvas//Training`.
## Novo método de configuração de domínio
Se você estiver configurando um novo Domínio e aplicação do Canvas, use esta seção para configurar o local de armazenamento no nível do domínio. Essa configuração se aplica a todos os novos usuários que você cria no Domínio, a menos que você especifique um local de armazenamento diferente para perfis de usuário individuais.
Ao fazer uma **configuração padrão** para seu domínio, na página **Etapa 3: configurar aplicações - Opcional**, use o seguinte procedimento para a seção **Canvas**:
1. Para a **configuração de armazenamento do Canvas**, faça o seguinte:
1. Selecione **Sistema gerenciado** se quiser definir o local como o bucket de SageMaker IA padrão que segue o padrão`s3://sagemaker-{Region}-{your-account-id}`.
1. Selecione **Custom S3** para especificar seu próprio bucket do Amazon S3 como local de armazenamento. Em seguida, insira o URI do Amazon S3.
1. (Opcional) Para **Chave de criptografia**, especifique uma chave do KMS para criptografar artefatos do Canvas armazenados no local especificado.
1. Conclua a configuração do domínio e escolha **Enviar**.
Seu domínio agora está configurado para usar a localização do Amazon S3 que você especificou para o armazenamento do aplicativo SageMaker Canvas.
## Novo método de configuração de perfil de usuário
Se você estiver configurando um novo perfil de usuário em seu domínio, use esta seção para configurar o local de armazenamento do usuário. Essa configuração substitui a configuração no nível do domínio.
Ao adicionar um perfil de usuário ao seu domínio, para a **Etapa 2: Configurar aplicações**, use o seguinte procedimento para a seção **Canvas**:
1. Para a **configuração de armazenamento do Canvas**, faça o seguinte:
1. Selecione **Sistema gerenciado** se quiser definir o local como o bucket padrão criado pela SageMaker IA que segue o padrão`s3://sagemaker-{Region}-{your-account-id}`.
1. Selecione **Custom S3** para especificar seu próprio bucket do Amazon S3 como local de armazenamento. Em seguida, insira o URI do Amazon S3.
1. (Opcional) Para **Chave de criptografia**, especifique uma chave do KMS para criptografar artefatos do Canvas armazenados no local especificado.
1. Conclua a configuração do perfil de usuário e escolha **Enviar**.
Seu perfil de usuário agora está configurado para usar a localização do Amazon S3 que você especificou para o armazenamento do aplicativo SageMaker Canvas.
## Método de usuário existente
Se você tem um perfil de usuário do Canvas existente e gostaria de atualizar o local de armazenamento do Amazon S3, você pode editar o domínio SageMaker AI ou as configurações do perfil do usuário. A alteração entrará em vigor na próxima vez que você fizer login na aplicação do Canvas.
**nota**
Quando você altera o local de armazenamento de uma aplicação do Canvas existente, você perde o acesso aos artefatos do Canvas do local de armazenamento anterior. Seus arquivos ainda estão no antigo local do Amazon S3, mas você não pode mais visualizá-los no Canvas.
Lembre-se de que as configurações do perfil do usuário substituem as configurações gerais do domínio, portanto, você pode atualizar o local de armazenamento do Amazon S3 para perfis de usuário específicos sem alterá-lo para todos os usuários. Você pode atualizar a configuração de armazenamento de um domínio ou usuário existente usando os procedimentos a seguir.
------
#### [ Update an existing domain ]
Use o procedimento a seguir para atualizar a configuração de armazenamento de um domínio.
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. A partir da lista de Domínios, escolha o seu Domínio.
1. Na página de **Detalhes do domínio**, selecione a guia **Configurações da aplicação**.
1. Role para baixo até a seção **Canvas** e depois escolha **Editar**.
1. A página de **configurações do Edit Canvas** é aberta. Para a **configuração de armazenamento do Canvas**, faça o seguinte:
1. Selecione **Sistema gerenciado** se quiser definir o local como o bucket padrão criado pela SageMaker IA que segue o padrão`s3://sagemaker-{Region}-{your-account-id}`.
1. Selecione **Custom S3** para especificar seu próprio bucket do Amazon S3 como local de armazenamento. Em seguida, insira o URI do Amazon S3.
1. (Opcional) Para **Chave de criptografia**, especifique uma chave do KMS para criptografar artefatos do Canvas armazenados no local especificado.
1. Conclua todas as outras modificações que você deseja fazer no domínio e escolha **Enviar** para salvar suas alterações.
------
#### [ Update an existing user profile ]
Use o procedimento a seguir para atualizar a configuração de armazenamento de um perfil de usuário.
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. A partir da lista de **Domínios**, escolha o seu Domínio.
1. A partir da lista de usuários no Domínio, selecione o usuário cuja configuração você deseja editar.
1. Na página **Detalhes do usuário**, selecione **Editar**.
1. No painel de navegação, escolha **Configurações do Canvas**.
1. Para a **configuração de armazenamento do Canvas**, faça o seguinte:
1. Selecione **Sistema gerenciado** se quiser definir o local como o bucket de SageMaker IA padrão que segue o padrão`s3://sagemaker-{Region}-{your-account-id}`.
1. Selecione **Custom S3** para especificar seu próprio bucket do Amazon S3 como local de armazenamento. Em seguida, insira o URI do Amazon S3.
1. (Opcional) Para **Chave de criptografia**, especifique uma chave do KMS para criptografar artefatos do Canvas armazenados no local especificado.
1. Conclua todas as outras modificações que você deseja fazer no perfil do usuário e escolha **Enviar** para salvar suas alterações.
------
O local de armazenamento do seu perfil de usuário do Canvas agora deve estar atualizado. Na próxima vez que você fizer login na aplicação do Canvas, receberá uma notificação de que o local de armazenamento foi atualizado. Você perde o acesso a quaisquer artefatos anteriores que você criou no Canvas. Você ainda pode acessar os arquivos no Amazon S3, mas não pode mais visualizá-los no Canvas.
# Conceder permissões para armazenamento do Amazon S3 entre contas
Ao configurar seu domínio de SageMaker IA ou perfil de usuário para que os usuários acessem o SageMaker Canvas, você especifica um local de armazenamento do Amazon S3 para artefatos do Canvas. Esses artefatos incluem cópias salvas de seus conjuntos de dados de entrada, artefatos de modelo, predições e outros dados da aplicação. Você pode usar o bucket Amazon S3 padrão criado por SageMaker IA ou pode personalizar o local de armazenamento e especificar seu próprio bucket para armazenar dados do aplicativo Canvas.
Você pode especificar um bucket do Amazon S3 em outra AWS conta para armazenar seus dados do Canvas, mas primeiro você deve conceder permissões entre contas para que o Canvas possa acessar o bucket.
As seções a seguir descrevem como conceder permissões ao Canvas para carregar e baixar objetos de e para um bucket do Amazon S3 em outra conta. Há permissões adicionais para quando seu bucket é criptografado com AWS KMS.
## Requisitos
Antes de começar, reveja os seguintes requisitos:
+ Os buckets do Amazon S3 entre contas (e quaisquer chaves AWS KMS associadas) devem estar na AWS mesma região do domínio de usuário ou perfil de usuário do Canvas.
+ O URI final do Amazon S3 para a pasta de treinamento em seu local de armazenamento do Canvas deve ter 128 caracteres ou menos. O URI final do S3 consiste no caminho do seu bucket `s3:////` mais o caminho que o Canvas adiciona ao seu bucket: `Canvas//Training`. Por exemplo, um caminho aceitável com menos de 128 caracteres é `s3:////Canvas//Training`.
## Permissões para buckets do Amazon S3 entre contas
A seção a seguir descreve as etapas básicas para conceder as permissões necessárias para que o Canvas possa acessar seu bucket do Amazon S3 em outra conta. Para obter instruções mais detalhadas, consulte o [Exemplo 2: Concessão de permissões de bucket entre contas](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-walkthroughs-managing-access-example2.html) no *Guia do usuário do Amazon S3*.
1. Crie um bucket do Amazon S3, `bucketA`, na Conta A.
1. O usuário do Canvas existe em outra conta chamada Conta B. Nas etapas a seguir, nos referimos ao perfil do IAM do usuário do Canvas como `roleB` na Conta B.
Dê permissão ao perfil do IAM `roleB` na Conta B para baixar (`GetObject`) e carregar (`PutObject`) objetos de e para `bucketA` na Conta A anexando uma política do IAM.
Para limitar o acesso a uma pasta de bucket específica, defina o nome da pasta no elemento de recurso, como `arn:aws:s3:::/FolderName/*`. Para obter mais informações, consulte [Como posso usar as políticas do IAM para conceder acesso específico ao usuário a pastas específicas?](https://aws.amazon.com/premiumsupport/knowledge-center/iam-s3-user-specific-folder/)
**nota**
Ações no nível do bucket, como `GetBucketCors` e `GetBucketLocation`, devem ser adicionadas aos recursos no nível do bucket, não às pastas.
O exemplo de política do IAM a seguir concede as permissões necessárias para `roleB` acessar objetos em`bucketA`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::bucketA/FolderName/*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::bucketA"
]
}
]
}
```
------
1. Configure a política de bucket para `bucketA` na Conta A para conceder permissões ao perfil do IAM `roleB` na Conta B.
**nota**
Os administradores também devem desativar o **Bloqueio de todo o acesso público** na seção **Permissões** do bucket.
Veja a seguir um exemplo de política de bucket para `bucketA` conceder as permissões necessárias para `roleB`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:DeleteObject",
"s3:GetObject",
"s3:PutObject"
],
"Resource": "arn:aws:s3:::bucketA/FolderName/*"
},
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:ListBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": "arn:aws:s3:::bucketA"
}
]
}
```
------
Após configurar as permissões anteriores, seu perfil de usuário do Canvas na Conta B agora pode usar o bucket do Amazon S3 na Conta A como local de armazenamento para artefatos do Canvas.
## Permissões para buckets Amazon S3 de várias contas criptografados com AWS KMS
O procedimento a seguir mostra como conceder as permissões necessárias para que o Canvas possa acessar seu bucket do Amazon S3 em outra conta criptografada com. AWS KMS As etapas são semelhantes ao procedimento acima, mas com permissões adicionais. Para obter mais informações sobre como conceder acesso a uma chave do KMS, consulte [Permitir que usuários de outras contas usem uma chave do KMS](https://docs.aws.amazon.com/kms/latest/developerguide/key-policy-modifying-external-accounts.html) no *Guia do desenvolvedor do AWS KMS *.
1. Crie um bucket do Amazon S3 `bucketA` e uma chave do KMS do Amazon S3 `s3KmsInAccountA` na Conta A.
1. O usuário do Canvas existe em outra conta chamada Conta B. Nas etapas a seguir, nos referimos ao perfil do IAM do usuário do Canvas como `roleB` na Conta B.
Dê permissão ao perfil do IAM `roleB` na Conta B para fazer o seguinte:
+ Fazer download (`GetObject`) e upload (`PutObject`) de objetos do `bucketA` na Conta A.
+ Acesse a AWS KMS chave `s3KmsInAccountA` na Conta A.
O exemplo de política do IAM a seguir concede as permissões necessárias para `roleB` acessar objetos no `bucketA` e usar a chave do KMS `s3KmsInAccountA`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::bucketA/FolderName/*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::bucketA"
]
},
{
"Action": [
"kms:DescribeKey",
"kms:CreateGrant",
"kms:RetireGrant",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlainText",
"kms:Decrypt"
],
"Effect": "Allow",
"Resource": "arn:aws:kms:us-east-1:111122223333:key/s3KmsInAccountA"
}
]
}
```
------
1. Configure a política de bucket `bucketA` e a política de chave do `s3KmsInAccountA` na Conta A para conceder permissões ao perfil do IAM `roleB` na Conta B.
Veja a seguir um exemplo de política de bucket para `bucketA` conceder as permissões necessárias para `roleB`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:DeleteObject",
"s3:GetObject",
"s3:PutObject"
],
"Resource": "arn:aws:s3:::bucketA/FolderName/*"
},
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": "arn:aws:s3:::bucketA"
}
]
}
```
------
O exemplo a seguir é uma política de chave que você anexa à chave do KMS `s3KmsInAccountA` na Conta A para conceder acesso a `roleB`. Para obter mais informações sobre como criar e anexar uma declaração de política de chave, consulte [Criar uma política de chave](https://docs.aws.amazon.com/kms/latest/developerguide/key-policy-overview.html) no *Guia do desenvolvedor do AWS KMS *.
```
{
"Sid": "Allow use of the key",
"Effect": "Allow",
"Principal": {
"AWS": [
"arn:aws:iam::accountB:role/roleB"
]
},
"Action": [
"kms:DescribeKey",
"kms:CreateGrant",
"kms:RetireGrant",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlainText",
"kms:Decrypt"
],
"Resource": "*"
}
```
Após configurar as permissões anteriores, seu perfil de usuário do Canvas na Conta B agora pode usar o bucket do Amazon S3 na Conta A como local de armazenamento para artefatos do Canvas.
# Conceda aos usuários permissões para usar grandes volumes de dados em todo o ciclo de vida do ML
Os usuários do Amazon SageMaker Canvas que trabalham com conjuntos de dados maiores que 10 GB no formato CSV ou 2,5 GB no formato Parquet exigem permissões específicas para o processamento de grandes dados. Essas permissões são essenciais para gerenciar dados em grande escala em todo o ciclo de vida do machine learning. Quando os conjuntos de dados excedem os limites estabelecidos ou a capacidade de memória local do aplicativo, o SageMaker Canvas usa o Amazon EMR Serverless para um processamento eficiente. Isso se aplica a:
+ Importação de dados: importação de grandes conjuntos de dados com amostragem randomizada ou estratificada.
+ Preparação de dados: exportação de dados processados do Data Wrangler no Canvas para o Amazon S3, para um novo conjunto de dados do Canvas ou para um modelo do Canvas.
+ Construção de modelos: modelos de treinamento em grandes conjuntos de dados.
+ Inferência: fazer predições em grandes conjuntos de dados.
Por padrão, o SageMaker Canvas usa o EMR Serverless para executar essas tarefas remotas com as seguintes configurações do aplicativo:
+ Capacidade pré-inicializada: não configurada
+ Limites de aplicação: capacidade máxima de 400 vCPUs, máximo simultâneo de 16 v CPUs por conta, 3000 GB de memória, 20000 GB de disco
+ Configuração do Metastore: AWS Glue Data Catalog
+ Registros do aplicativo: armazenamento AWS gerenciado (ativado), usando uma AWS chave de criptografia própria
+ Comportamento da aplicação: inicia automaticamente no envio do trabalho e para automaticamente após a aplicação ficar inativo por 15 minutos
Para habilitar esses grandes recursos de processamento de dados, os usuários precisam das permissões necessárias, que podem ser concedidas por meio das configurações de domínio do Amazon SageMaker AI. O método para conceder essas permissões depende de como seu domínio Amazon SageMaker AI foi configurado inicialmente. Abordaremos três cenários principais:
+ Configuração rápida de domínio
+ Configuração de domínio personalizada (com access/without VPC de Internet pública)
+ Configuração de domínio personalizada (com VPC e sem acesso público à Internet)
Cada cenário requer etapas específicas para garantir que os usuários tenham as permissões necessárias para utilizar o EMR Serverless para processamento de grandes dados em todo o ciclo de vida do aprendizado de máquina no Canvas. SageMaker
## Cenário 1: configuração rápida do domínio
Se você usou a opção **Configuração rápida** ao criar seu domínio de SageMaker IA, siga estas etapas:
1. Navegue até as configurações de domínio do Amazon SageMaker AI:
1. Abra o console Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, selecione **Domínios**.
1. Selecione o seu domínio.
1. Escolha a guia **Configurações da aplicação**.
1. Role até a seção **Canvas** e escolha **Editar**.
1. Habilite o processamento de grandes dados:
1. Na seção **Configuração de processamento de dados grandes**, ative **Habilitar o EMR com tecnologia sem servidor para processamento de dados grandes.**
1. Crie ou selecione uma função EMR com tecnologia sem servidor:
1. Escolha **Criar e usar uma nova função de execução** para criar um novo perfil do IAM que tenha uma relação de confiança com o EMR com tecnologia sem servidor e a [AWS política gerenciada: AmazonSageMakerCanvas EMRServerless ExecutionRolePolicy](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasEMRServerlessExecutionRolePolicy) política anexada. Essa função do perfil do IAM é assumida pelo Canvas para criar trabalhos EMR sem servidor.
1. Como alternativa, se você já tiver um perfil de execução com uma relação de confiança no EMR com tecnologia sem servidor, selecione **Usar uma função de execução existente** e escolha sua função no menu suspenso.
+ A função existente deve ter um nome que comece com o prefixo`AmazonSageMakerCanvasEMRSExecutionAccess-`.
+ A função selecionada também deve ter pelo menos as permissões descritas na [AWS política gerenciada: AmazonSageMakerCanvas EMRServerless ExecutionRolePolicy](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasEMRServerlessExecutionRolePolicy) política.
+ A função deve ter uma política de confiança EMR com tecnologia sem servidor, conforme mostrado abaixo:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "EMRServerlessTrustPolicy",
"Effect": "Allow",
"Principal": {
"Service": "emr-serverless.amazonaws.com"
},
"Action": "sts:AssumeRole",
"Condition": {
"StringEquals": {
"aws:SourceAccount": "111122223333"
}
}
}
]
}
```
------
1. (Opcional) Adicione permissões do Amazon S3 para buckets personalizados do Amazon S3:
1. A política gerenciada pela Canvas concede automaticamente permissões de leitura e gravação para buckets do Amazon S3 com `sagemaker` ou `SageMaker AI` em seus nomes. Ele também concede permissões de leitura para objetos em buckets personalizados do Amazon S3 com a tag `"SageMaker": "true"`.
1. Para buckets personalizados do Amazon S3 sem a tag necessária, adicione a seguinte política à sua função do EMR com tecnologia sem servidor:
1.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::*"
]
}
]
}
```
------
1. Recomendamos que você defina o escopo das permissões para buckets específicos do Amazon S3 que você deseja que o Canvas acessem.
1. Salve suas alterações e reinicie seu aplicativo SageMaker Canvas.
## Cenário 2: configuração de domínio personalizado (com access/without VPC de Internet pública)
Se você criou ou usa um domínio personalizado, siga as etapas 1 a 3 do Cenário 1 e, em seguida, execute estas etapas adicionais:
1. Adicione permissões para a `DescribeImages` operação do Amazon ECR à sua função de execução do Amazon SageMaker AI, pois o Canvas utiliza imagens públicas do Amazon ECR Docker para preparação de dados e treinamento de modelos:
1. Faça login no AWS console e abra o console do IAM em [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/).
1. Escolha **Perfis**.
1. Na caixa de pesquisa, pesquise sua função de execução de SageMaker IA pelo nome e selecione-a.
1. Adicione a política a seguir à sua função de execução de SageMaker IA. Isso pode ser feito adicionando-a como uma nova política embutida ou anexando a declaração de política a uma existente. Observe que um perfil do IAM pode ter, no máximo, dez políticas anexadas.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [{
"Sid": "ECRDescribeImagesOperation",
"Effect": "Allow",
"Action": "ecr:DescribeImages",
"Resource": [
"arn:aws:ecr:*:*:repository/sagemaker-data-wrangler-emr-container",
"arn:aws:ecr:*:*:repository/ap-dataprep-emr"
]
}]
}
```
------
1. Salve suas alterações e reinicie seu aplicativo SageMaker Canvas.
## Cenário 3: configuração de domínio personalizado (com VPC e sem acesso público à Internet)
Se você criou ou usa um domínio personalizado, siga todas as etapas do Cenário 2 e, em seguida, siga estas etapas adicionais:
1. Certifique-se de que suas sub-redes VPC sejam privadas:
1. Verifique se a tabela de rotas de suas sub-redes não tem um mapeamento de entrada `0.0.0.0/0` para um Gateway da Internet.
1. Adicione permissões para criar interfaces de rede:
1. Ao usar o SageMaker Canvas com o EMR Serverless para processamento de dados em grande escala, o EMR Serverless exige a capacidade de criar o Amazon ENIs EC2 para permitir a comunicação de rede entre os aplicativos do EMR Serverless e seus recursos de VPC.
1. Adicione a política a seguir à sua função de execução do Amazon SageMaker AI. Isso pode ser feito adicionando-a como uma nova política embutida ou anexando a declaração de política a uma existente. Observe que um perfil do IAM pode ter, no máximo, dez políticas anexadas.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowEC2ENICreation",
"Effect": "Allow",
"Action": [
"ec2:CreateNetworkInterface"
],
"Resource": [
"arn:aws:ec2:*:*:network-interface/*"
],
"Condition": {
"StringEquals": {
"aws:CalledViaLast": "ops.emr-serverless.amazonaws.com"
}
}
}
]
}
```
------
1. (Opcional) Restrinja a criação de ENI a sub-redes específicas:
1. Para proteger ainda mais sua configuração, restringindo a criação de ENIs a determinadas sub-redes em sua VPC, você pode marcar cada sub-rede com condições específicas.
1. Use a seguinte política do IAM para garantir que os aplicativos EMR Serverless só possam criar o Amazon EC2 ENIs dentro das sub-redes e grupos de segurança permitidos:
```
{
"Sid": "AllowEC2ENICreationInSubnetAndSecurityGroupWithEMRTags",
"Effect": "Allow",
"Action": [
"ec2:CreateNetworkInterface"
],
"Resource": [
"arn:aws:ec2:*:*:subnet/*",
"arn:aws:ec2:*:*:security-group/*"
],
"Condition": {
"StringEquals": {
"aws:ResourceTag/KEY": "VALUE"
}
}
}
```
1. Siga as etapas na página [Configurar o Amazon SageMaker Canvas em uma VPC sem acesso à Internet](canvas-vpc.md) para definir o VPC endpoint para o Amazon S3, que é exigido pelo EMR Serverless e outros serviços usados pelo Canvas. AWS SageMaker
1. Salve suas alterações e reinicie seu aplicativo SageMaker Canvas.
Seguindo essas etapas, você pode habilitar o processamento de grandes dados no SageMaker Canvas para várias configurações de domínio, incluindo aquelas com configurações personalizadas de VPC. Lembre-se de reiniciar seu aplicativo SageMaker Canvas depois de fazer essas alterações para aplicar as novas permissões.
# Criptografe seus dados do SageMaker Canvas com AWS KMS
Você pode ter dados que deseja criptografar ao usar o Amazon SageMaker Canvas, como informações privadas da sua empresa ou dados de clientes. SageMaker O Canvas usa AWS Key Management Service para proteger seus dados. AWS KMS é um serviço que você pode usar para criar e gerenciar chaves criptográficas para criptografar seus dados. Para obter mais informações sobre AWS KMS, consulte [AWS Key Management Service](https://docs.aws.amazon.com/kms/latest/developerguide/overview.html)o *Guia do AWS KMS desenvolvedor*.
O Amazon SageMaker Canvas oferece várias opções para criptografar seus dados. SageMaker O Canvas fornece criptografia padrão dentro do aplicativo para tarefas como criar seu modelo e gerar insights. Você também pode optar por criptografar os dados armazenados no Amazon S3 para proteger seus dados em repouso. SageMaker O Canvas suporta a importação de conjuntos de dados criptografados, para que você possa estabelecer um fluxo de trabalho criptografado. As seções a seguir descrevem como você pode usar a AWS KMS criptografia para proteger seus dados ao criar modelos com o SageMaker Canvas.
## Criptografe seus dados no Canvas SageMaker
Com o SageMaker Canvas, você pode usar duas chaves de AWS KMS criptografia diferentes para criptografar seus dados no SageMaker Canvas, que você pode especificar ao [configurar seu domínio](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html) usando a configuração de domínio padrão. Essas chaves são especificadas nas seguintes etapas de configuração do domínio:
+ **Etapa 3: configurar aplicações - (opcional)** - Ao configurar a seção de **configuração de armazenamento do Canvas**, você pode especificar uma **chave de criptografia**. Essa é uma chave KMS que o SageMaker Canvas usa para armazenamento a longo prazo de objetos de modelo e conjuntos de dados, que são armazenados no bucket Amazon S3 fornecido para seu domínio. Se estiver criando um aplicativo Canvas com a [CreateApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateApp.html)API, use o `S3KMSKeyId` campo para especificar essa chave.
+ **Etapa 6: Configurar o armazenamento** — O SageMaker Canvas usa uma chave para criptografar o espaço privado do Amazon SageMaker Studio criado para seu aplicativo Canvas, que inclui armazenamento temporário de aplicativos, visualizações e trabalhos computacionais (como criar modelos). Você pode usar a chave AWS gerenciada padrão ou especificar a sua própria. Se você especificar sua AWS KMS chave, os dados armazenados no `/home/sagemaker-user` diretório serão criptografados com sua chave. Se você não especificar uma AWS KMS chave, os dados internos `/home/sagemaker-user` serão criptografados com uma chave AWS gerenciada. Independentemente de você especificar uma AWS KMS chave, todos os dados fora do diretório de trabalho são criptografados com uma chave AWS gerenciada. Para saber mais sobre o espaço do Studio e o armazenamento da sua aplicação Canvas, consulte[Armazene dados do aplicativo SageMaker Canvas em seu próprio espaço de SageMaker IA](canvas-spaces-setup.md). Se estiver criando um aplicativo Canvas com a [CreateApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateApp.html)API, use o `KmsKeyID` campo para especificar essa chave.
As chaves anteriores podem ser iguais ou diferentes chaves KMS.
### Pré-requisitos
Para usar sua própria chave do KMS para qualquer uma das finalidades descritas anteriormente, você deve primeiro conceder permissão ao perfil do IAM do usuário para usar a chave. Em seguida, você pode especificar a chave do KMS ao configurar seu domínio.
A maneira mais simples de conceder permissão à sua função para usar a chave é modificar a política de chave. Use o procedimento a seguir para conceder ao seu perfil as permissões necessárias.
1. Abra o [console do AWS KMS](https://console.aws.amazon.com/kms/).
1. Na seção **Política de chave**, selecione **Alternar para visualização de política**.
1. Modifique a política da chave para conceder permissões para as ações `kms:GenerateDataKey` e `kms:Decrypt` ao perfil do IAM. Além disso, se você estiver modificando a política de chaves que criptografa o armazenamento da sua aplicação Canvas no espaço do Studio, conceda a `kms:CreateGrant` ação. É possível adicionar uma instrução semelhante à seguinte:
```
{
"Sid": "ExampleStmt",
"Action": [
"kms:CreateGrant", #this permission is only required for the key that encrypts your SageMaker Canvas application storage
"kms:Decrypt",
"kms:GenerateDataKey"
],
"Effect": "Allow",
"Principal": {
"AWS": ""
},
"Resource": "*"
}
```
1. Escolha **Salvar alterações**.
O método menos preferido é modificar o perfil do IAM do usuário para conceder ao usuário permissões para usar ou gerenciar a chave do KMS. Se você usar esse método, a política de chave do KMS também deverá permitir o gerenciamento de acesso por meio do IAM. Para saber como conceder permissão a uma chave do KMS por meio do perfil do IAM do usuário, consulte [Especificar chaves do KMS nas declarações de política do IAM](https://docs.aws.amazon.com/kms/latest/developerguide/cmks-in-iam-policies.html) no *Guia do desenvolvedor do AWS KMS .*
### Criptografe seus dados no aplicativo SageMaker Canvas
A primeira chave KMS que você pode usar no SageMaker Canvas é usada para criptografar dados de aplicativos armazenados nos volumes do Amazon Elastic Block Store (Amazon EBS) e no Amazon Elastic File System SageMaker que a IA cria em seu domínio. SageMaker O Canvas criptografa seus dados com essa chave no aplicativo subjacente e nos sistemas de armazenamento temporário criados ao usar instâncias de computação para criar modelos e gerar insights. SageMaker O Canvas passa a chave para outros AWS serviços, como o Autopilot, sempre que o SageMaker Canvas inicia trabalhos com eles para processar seus dados.
Você pode especificar essa chave definindo o `KmsKeyID` na chamada de API `CreateDomain` ou ao fazer a configuração do domínio padrão no console. Se você não especificar sua própria chave KMS, a SageMaker AI usa uma chave KMS AWS gerenciada padrão para criptografar seus dados no SageMaker aplicativo Canvas.
Para especificar sua própria chave KMS para uso no aplicativo SageMaker Canvas por meio do console, primeiro configure seu domínio Amazon SageMaker AI usando a **configuração padrão**. Use o procedimento a seguir para concluir a **Seção de rede e armazenamento** do domínio.
1. Preencha as configurações desejadas da Amazon VPC.
1. Em **Chave de criptografia**, escolha **Inserir um ARN da chave do KMS**.
1. Para **ARN do KMS**, insira o ARN da sua chave do KMS, que deve ter um formato semelhante ao seguinte: `arn:aws:kms:example-region-1:123456789098:key/111aa2bb-333c-4d44-5555-a111bb2c33dd`
### Criptografe seus dados do SageMaker Canvas salvos no Amazon S3
A segunda chave KMS que você pode especificar é usada para dados que o SageMaker Canvas armazena no Amazon S3. Essa chave KMS é especificada no `S3KMSKeyId` campo na chamada da `CreateDomain` API ou ao fazer a configuração de domínio padrão no console de SageMaker IA. SageMaker O Canvas salva duplicatas de seus conjuntos de dados de entrada, dados de aplicativos e modelos e dados de saída no bucket SageMaker AI S3 padrão da região para sua conta. O padrão de nomenclatura para esse bucket é`s3://sagemaker-{Region}-{your-account-id}`, e o SageMaker Canvas armazena dados na `Canvas/` pasta.
1. Ative a opção **Habilitar compartilhamento de recursos do caderno**.
1. Para **Local do S3 para recursos compartilháveis do caderno**, deixe o caminho padrão do Amazon S3. Observe que o SageMaker Canvas não usa esse caminho do Amazon S3; esse caminho do Amazon S3 é usado para notebooks Studio Classic.
1. Em **Chave de criptografia**, escolha **Inserir um ARN da chave do KMS**.
1. Para **ARN do KMS**, insira o ARN da sua chave do KMS, que deve ter um formato semelhante ao seguinte: `arn:aws:kms:us-east-1:111122223333:key/111aa2bb-333c-4d44-5555-a111bb2c33dd`
## Importar conjuntos de dados criptografados do Amazon S3
Seus usuários podem ter conjuntos de dados criptografados com uma chave do KMS. Embora a seção anterior mostre como criptografar dados no SageMaker Canvas e dados armazenados no Amazon S3, você deve conceder permissões adicionais à função IAM do seu usuário se quiser importar dados do Amazon S3 que já estejam criptografados com. AWS KMS
Para conceder permissões ao usuário para importar conjuntos de dados criptografados do Amazon S3 SageMaker para o Canvas, adicione as seguintes permissões à função de execução do IAM que você usou para o perfil do usuário.
```
"kms:Decrypt",
"kms:GenerateDataKey"
```
Para saber como editar as permissões do IAM para um perfil, consulte [Adicionar e remover permissões de identidade do IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) no *Guia do usuário do IAM*. Para obter mais informações sobre chaves do KMS, consulte [Políticas de chave no AWS Key Management Service](https://docs.aws.amazon.com//kms/latest/developerguide/key-policies.html) no *Guia do desenvolvedor do AWS KMS *.
## FAQs
Consulte os seguintes itens de perguntas frequentes para obter respostas às perguntas mais frequentes sobre o AWS KMS suporte do SageMaker Canvas.
### P: O SageMaker Canvas retém minha chave KMS?
R: Não. SageMaker O Canvas pode armazenar temporariamente sua chave em cache ou passá-la para outros AWS serviços (como o Autopilot), mas o SageMaker Canvas não retém sua chave KMS.
### P: Eu especifiquei uma chave do KMS ao configurar meu domínio. Por que meu conjunto de dados não foi importado no SageMaker Canvas?
R: O perfil do IAM do seu usuário pode não ter permissões para usar essa chave do KMS. Para conceder permissões de usuário, consulte os [Pré-requisitos](#canvas-kms-app-data-prereqs). Outro possível erro é que você tem uma política de bucket em seu bucket do Amazon S3 que exige o uso de uma chave do KMS específica que não corresponde à chave do KMS especificada em seu domínio. Certifique-se de especificar a mesma chave do KMS para seu bucket Amazon S3 e seu domínio.
### P: Como faço para encontrar o bucket Amazon S3 de SageMaker IA padrão da região para minha conta?
R: O bucket padrão do Amazon S3 segue o padrão de nomenclatura `s3://sagemaker-{Region}-{your-account-id}`. A `Canvas/` pasta nesse bucket armazena os dados do seu aplicativo SageMaker Canvas.
### P: Posso alterar o bucket SageMaker AI Amazon S3 padrão usado para armazenar dados do SageMaker Canvas?
R: Não, a SageMaker IA cria esse bucket para você.
### P: O que o SageMaker Canvas armazena no bucket de SageMaker IA padrão do Amazon S3?
R: O SageMaker Canvas usa o bucket SageMaker AI Amazon S3 padrão para armazenar duplicatas de seus conjuntos de dados de entrada, artefatos do modelo e saídas do modelo.
### P: Quais casos de uso são compatíveis com o uso de chaves KMS com o SageMaker Canvas?
R: Com o SageMaker Canvas, você pode usar suas próprias chaves de criptografia AWS KMS para criar modelos de regressão, classificação binária e multiclasse e previsão de séries temporais, bem como para inferência em lote com seu modelo.
# Armazene dados do aplicativo SageMaker Canvas em seu próprio espaço de SageMaker IA
Os dados do seu aplicativo Amazon SageMaker Canvas, como conjuntos de dados que você importa e artefatos do seu modelo, são armazenados em um espaço *privado do Amazon SageMaker Studio*. O espaço consiste em um volume de armazenamento para os dados da sua aplicação com 100 GB de armazenamento por perfil de usuário, o tipo do espaço (nesse caso, uma aplicação Canvas) e a imagem do contêiner da sua aplicação. Quando você configura o Canvas e inicia seu aplicativo pela primeira vez, a SageMaker IA cria um espaço privado padrão que é atribuído ao seu perfil de usuário e armazena seus dados do Canvas. Você não precisa fazer nenhuma configuração adicional para configurar o espaço porque a SageMaker IA cria automaticamente o espaço em seu nome. No entanto, se você não quiser usar o espaço padrão, você tem a opção de especificar um espaço criado por você mesmo. Isso pode ser útil se você quiser isolar seus dados. A página a seguir mostra como criar e configurar seu próprio espaço do Studio para armazenar dados da aplicação Canvas.
**nota**
Você só pode configurar um espaço de estúdio personalizado para novas aplicações Canvas. Não é possível modificar a configuração do espaço para aplicações Canvas existentes.
## Antes de começar
Seu domínio ou perfil de usuário do Amazon SageMaker AI deve ter pelo menos 100 GB de armazenamento para criar e usar o aplicativo SageMaker Canvas.
Se você criou seu domínio por meio do console de SageMaker IA, armazenamento suficiente é provisionado por padrão e você não precisa realizar nenhuma ação adicional. Se você criou seu domínio ou perfil de usuário com o [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)ou [ CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html) APIs, certifique-se de definir o `MaximumEbsVolumeSizeInGb` valor como 100 GB ou mais. Para definir um valor maior de armazenamento, você pode criar um novo domínio ou perfil de usuário ou atualizar um domínio ou perfil de usuário existente usando o [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)ou [ UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html) APIs.
## Criar um novo espaço
Primeiro, crie um novo espaço do Studio configurado para armazenar dados da aplicação Canvas. Esse é o espaço que você especifica ao criar um nova aplicação Canvas na próxima etapa.
Para criar um espaço, você pode usar o AWS SDK para Python (Boto3) ou AWS CLI o.
------
#### [ SDK for Python (Boto3) ]
O exemplo a seguir mostra como usar o AWS SDK para Python (Boto3) `create_space` método para criar um espaço que você pode usar para aplicativos Canvas. Especifique esses parâmetros:
+ `DomainId`: especifique o ID do seu domínio de SageMaker IA. Para encontrar seu ID, você pode acessar o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)e localizar seu domínio na seção **Domínios**.
+ `SpaceName`: especifique um nome para o novo espaço.
+ `EbsVolumeSizeinGb`: especifique o tamanho do volume de armazenamento do seu espaço (em GB). O valor mínimo é `5` e o valor máximo é `16384`.
+ `SharingType`: especifique esse campo como `Private`. Para obter mais informações, consulte [Espaços do Amazon SageMaker Studio](studio-updated-spaces.md).
+ `OwnerUserProfileName`: especifique o nome do perfil do usuário. Para encontrar nomes de perfil de usuário associados a um domínio, você pode acessar o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)e localizar seu domínio na seção **Domínios**. Nas configurações do domínio, você pode ver os perfis de usuário.
+ `AppType`: especifique esse campo como `Canvas`.
```
response = client.create_space(
DomainId='',
SpaceName='',
SpaceSettings={
'AppType': 'Canvas',
'SpaceStorageSettings': {
'EbsStorageSettings': {
'EbsVolumeSizeInGb':
}
},
},
OwnershipSettings={
'OwnerUserProfileName': ''
},
SpaceSharingSettings={
'SharingType': 'Private'
}
)
```
------
#### [ AWS CLI ]
O exemplo a seguir mostra como usar o AWS CLI `create-space` método para criar um espaço que você pode usar para aplicativos Canvas. Especifique esses parâmetros:
+ `domain-id`: Especifique o ID do seu domínio. Para encontrar seu ID, você pode acessar o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)e localizar seu domínio na seção **Domínios**.
+ `space-name`: especifique um nome para o novo espaço.
+ `EbsVolumeSizeinGb`: especifique o tamanho do volume de armazenamento do seu espaço (em GB). O valor mínimo é `5` e o valor máximo é `16384`.
+ `SharingType`: especifique esse campo como `Private`. Para obter mais informações, consulte [Espaços do Amazon SageMaker Studio](studio-updated-spaces.md).
+ `OwnerUserProfileName`: especifique o nome do perfil do usuário. Para encontrar nomes de perfil de usuário associados a um domínio, você pode acessar o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)e localizar seu domínio na seção **Domínios**. Nas configurações do domínio, você pode ver os perfis de usuário.
+ `AppType`: especifique esse campo como `Canvas`.
```
create-space
--domain-id
--space-name
--space-settings '{
"AppType": "Canvas",
"SpaceStorageSettings": {
"EbsStorageSettings": {"EbsVolumeSizeInGb": }
},
}'
--ownership-settings '{"OwnerUserProfileName": ""}'
--space-sharing-settings '{"SharingType": "Private"}'
```
------
Agora você deve ter um espaço. Analise o nome do seu espaço para a próxima etapa.
## Criar um nova aplicação
Depois de criar um espaço, crie um nova aplicação Canvas que especifique o espaço como seu local de armazenamento.
Para criar um novo aplicativo Canvas, você pode usar o AWS SDK para Python (Boto3) ou AWS CLI o.
**Importante**
Você deve usar o AWS SDK para Python (Boto3) ou o AWS CLI para criar seu aplicativo Canvas. A especificação de um espaço personalizado ao criar aplicativos Canvas por meio do console SageMaker AI não é suportada.
------
#### [ SDK for Python (Boto3) ]
O exemplo a seguir mostra como usar o AWS SDK para Python (Boto3) `create_app` método para criar um novo aplicativo Canvas. Especifique esses parâmetros:
+ `DomainId`: especifique o ID do seu domínio de SageMaker IA.
+ `SpaceName`: use o nome do espaço que você criou na etapa anterior.
+ `AppType`: especifique esse campo como `Canvas`.
+ `AppName`: especifique `default` como o nome da aplicação.
```
response = client.create_app(
DomainId='',
SpaceName='',
AppType='Canvas',
AppName='default'
)
```
------
#### [ AWS CLI ]
O exemplo a seguir mostra como usar o AWS CLI `create-app` método para criar um novo aplicativo Canvas. Especifique esses parâmetros:
+ `DomainId`: especifique o ID do seu domínio de SageMaker IA.
+ `SpaceName`: use o nome do espaço que você criou na etapa anterior.
+ `AppType`: especifique esse campo como `Canvas`.
+ `AppName`: especifique `default` como o nome da aplicação.
```
create-app
--domain-id
--space-name
--app-type Canvas
--app-name default
```
------
Agora você deve ter um nova aplicação Canvas que usa um espaço personalizado do Studio como local de armazenamento para os dados da aplicação.
**Importante**
Sempre que você excluir a aplicação Canvas (ou sair) e precisar recriar a aplicação, você deve fornecer seu espaço no `SpaceName` campo para garantir que o Canvas use seu espaço.
O espaço é anexado ao perfil de usuário que você especificou na configuração do espaço. Você pode excluir sua aplicação Canvas sem excluir o espaço, e os dados armazenados no espaço permanecem. Os dados armazenados em seu espaço só serão excluídos se você excluir seu perfil de usuário ou se excluir diretamente o espaço.
# Conceder aos seus usuários permissões para criar modelos personalizados de predição de imagens e textos
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
No Amazon SageMaker Canvas, você pode criar [modelos personalizados](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) para atender às suas necessidades comerciais específicas. Dois desses tipos de modelos personalizados são a predição de imagem com rótulo único e a predição de texto com várias categorias. As permissões para criar esses tipos de modelo estão incluídas na política AWS Identity and Access Management (IAM) chamada [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess), que a SageMaker IA atribui por padrão à função de execução do IAM do seu usuário se você deixar [as permissões básicas do Canvas ativadas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites). No entanto, se você estiver usando uma configuração personalizada do IAM, deverá adicionar explicitamente permissões à função de execução do IAM do seu usuário para que ele possa criar tipos personalizados de modelos de predição de imagens e textos. Para conceder as permissões necessárias para criar modelos de predição de imagens e textos, leia a seção a seguir para saber como anexar uma política de permissões mínimas ao seu perfil.
Para adicionar as permissões ao perfil do IAM do usuário, faça o seguinte:
1. Acesse o [console do IAM](https://console.aws.amazon.com/iamv2).
1. Escolha **Perfis**.
1. Na caixa de pesquisa, busque o perfil do IAM do usuário pelo nome e selecione-o.
1. Na página de perfilo do usuário, em **Permissões**, escolha **Adicionar permissões**.
1. Escolha **Criar política em linha**.
1. Selecione a guia JSON e, em seguida, cole a seguinte política de permissões mínimas no editor:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:CreateAutoMLJobV2",
"sagemaker:DescribeAutoMLJobV2"
],
"Resource": "*"
}
]
}
```
------
1. Escolha **Revisar política**.
1. Insira um **Nome** para a política.
1. Escolha **Criar política**.
Para obter mais informações sobre políticas AWS gerenciadas, consulte [Políticas gerenciadas e políticas em linha](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) no *Guia do usuário do IAM*.
# Conceda aos usuários permissões para usar o Amazon Bedrock e os atributos de IA generativa no Canvas
Os recursos de IA generativa no Amazon SageMaker Canvas são baseados nos modelos básicos do Amazon Bedrock, que são grandes modelos de linguagem (LLMs) que têm a capacidade de entender e gerar texto semelhante ao humano. Esta página descreve como conceder as permissões necessárias para os seguintes recursos no SageMaker Canvas:
+ [Converse e compare modelos do Amazon Bedrock](canvas-fm-chat.md): Acesse e inicie bate-papos conversacionais com modelos do Amazon Bedrock por meio do Canvas. SageMaker
+ [Use o atributo Chat para preparação de dados no Data Wrangler](canvas-chat-for-data-prep.md): use linguagem natural para explorar, visualizar e transformar seus dados. Esse atributo é desenvolvido pelo Anthropic Claude 2.
+ [Ajuste os modelos de base da Amazon Bedrock](canvas-fm-chat-fine-tune.md): ajuste um modelo de base da Amazon Bedrock em seus próprios dados para receber respostas personalizadas.
Para usar esses atributos, você deve primeiro solicitar acesso ao modelo específico do Amazon Bedrock que deseja usar. Em seguida, adicione as permissões necessárias AWS do IAM e uma relação de confiança com o Amazon Bedrock à função de execução do usuário. Para conceder as permissões para a função, é possível escolher um destes métodos:
+ Crie um novo domínio ou perfil de usuário do Amazon SageMaker AI e ative as permissões do Amazon Bedrock. Para obter mais informações, consulte [Começando a usar o Amazon SageMaker Canvas](canvas-getting-started.md).
+ Edite as configurações de um domínio ou perfil de usuário existente do Amazon SageMaker AI.
+ Adicione manualmente permissões e uma relação de confiança ao perfil do IAM de um domínio ou usuário.
## Etapa 1: adicionar acesso ao modelo Amazon Bedrock
O acesso aos modelos do Amazon Bedrock não é concedido por padrão, então você deve acessar o console do Amazon Bedrock para solicitar acesso aos modelos da sua AWS conta.
Para saber como solicitar acesso a um modelo específico do Amazon Bedrock, siga o procedimento para **Adicionar acesso ao modelo** na página [Gerenciar o acesso aos modelos de base da Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/model-access.html) no *Guia do usuário do Amazon Bedrock*.
## Etapa 2: atribuir permissões ao usuário do perfil do IAM
Ao configurar seu domínio ou perfil de usuário do Amazon SageMaker AI, a função de execução do IAM do usuário deve ter a [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)política anexada, bem como uma relação de confiança com o Amazon Bedrock, para que seu usuário possa acessar os modelos do Amazon Bedrock a partir do SageMaker Canvas.
Você pode modificar as configurações do domínio e criar uma nova função de execução (à qual a SageMaker IA atribui as permissões necessárias para você) ou especificar uma função existente.
Como alternativa, você pode modificar manualmente as permissões de um perfil existente do IAM por meio do console do IAM.
Ambos os métodos estão descritos nas seções a seguir.
### Conceda permissões por meio das configurações do domínio
Você pode editar suas configurações de domínio ou perfil de usuário para ativar a **configuração dos Ready-to-use modelos Canvas** e especificar uma função do Amazon Bedrock.
Para editar suas configurações de domínio e conceder acesso aos modelos Amazon Bedrock para usuários do Canvas no domínio, faça o seguinte:
1. Acesse o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, selecione **Domínios**.
1. A partir da lista de Domínios, escolha o seu Domínio.
1. Escolha a guia **Configurações da aplicação**.
1. Na seção **Logs**, selecione **Editar**.
1. A página de **configurações do Edit Canvas** é aberta. Para a seção de **configuração Ready-to-use dos modelos Canvas**, faça o seguinte:
1. Ative a **opção Ativar Ready-to-use modelos do Canvas**.
1. Para a **função Amazon Bedrock**, selecione **Criar e use uma nova função de execução para criar uma nova função** de execução do IAM que tenha a [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)política anexada e uma relação de confiança com o Amazon Bedrock. Esse perfil do IAM é presumido pelo Amazon Bedrock quando você acessa os modelos do Amazon Bedrock, usa o atributo de chat para preparação de dados ou ajustar os modelos do Amazon Bedrock no Canvas. Se você já tiver uma função de execução com uma relação de confiança, selecione **Usar uma função de execução existente** e escolha sua função no menu suspenso.
1. Escolha **Enviar** para salvar as alterações.
Seus usuários devem ter as permissões necessárias para acessar os modelos do Amazon Bedrock, usar o atributo de chat para preparação de dados e ajustar os modelos do Amazon Bedrock no Canvas.
Você pode usar o mesmo procedimento acima para editar as configurações de um usuário individual, exceto acessar o perfil do usuário individual na página do domínio e editar as configurações do usuário. As permissões concedidas a um usuário individual não se aplicam a outros usuários no domínio, enquanto as permissões concedidas por meio das configurações do domínio se aplicam a todos os perfis de usuário no domínio.
Para obter instruções sobre como editar suas configurações de Domínio, consulte [Visualizar e editar Domínios](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view-edit.html).
### Conceda permissões manualmente por meio do IAM
Você pode conceder manualmente aos usuários permissões para acessar e ajustar modelos do Amazon Bedrock no Canvas adicionando permissões ao perfil do IAM especificado para o domínio ou perfil do usuário. A função do IAM deve ter a [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)política anexada e uma relação de confiança com o Amazon Bedrock.
A seção a seguir mostra como anexar a política ao seu perfil do IAM e criar uma relação de confiança com o Amazon Bedrock.
Primeiro, anote o perfil do IAM do seu domínio ou perfil de usuário. Observe que as permissões concedidas a um usuário individual não se aplicam a outros usuários no domínio, enquanto as permissões concedidas por meio do domínio se aplicam a todos os perfis de usuário no domínio.
Para configurar o perfil do IAM e conceder permissões para ajustar os modelos básicos no Canvas, faça o seguinte:
1. Acesse o console do IAM em [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/).
1. No painel de navegação à esquerda, selecione **Perfis**.
1. Pesquise o perfil do IAM do usuário pelo nome na lista de perfis e selecione-o.
1. Na guia **Permissões**, escolha **Adicionar permissões**. Da lista suspensa, escolha **Anexar políticas**.
1. Pesquise a política `AmazonSageMakerCanvasBedrockAccess` gerenciada e selecione-a.
1. Escolha **Adicionar permissões**.
1. Na página Detalhes do perfil do IAM, escolha a guia **Relações de confiança**.
1. Selecione **Edit trust policy** (Editar política de confiança).
1. No editor de políticas, encontre a opção **Adicionar uma opção de entidade principal** no painel direito e escolha **Adicionar**.
1. Na caixa de diálogo, em **Tipo de entidade principal**, selecione **AWS serviços**.
1. Para **ARN**, insira. **bedrock.amazonaws.com**
1. Selecione **Adicionar entidade principal**.
1. Escolha **Atualizar política**.
Agora você deve ter uma função do IAM que tenha a [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)política anexada e uma relação de confiança com o Amazon Bedrock. Para obter informações sobre políticas AWS gerenciadas, consulte [Políticas gerenciadas e políticas em linha](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) no *Guia do usuário do IAM*.
# Atualize o SageMaker Canvas para seus usuários
Você pode atualizar para a versão mais recente do Amazon SageMaker Canvas como usuário ou administrador de TI. Você pode atualizar o Amazon SageMaker Canvas para um único usuário por vez.
Para atualizar o aplicativo Amazon SageMaker Canvas, você deve excluir a versão anterior.
**Importante**
A exclusão da versão anterior do Amazon SageMaker Canvas não exclui os dados ou modelos que os usuários criaram.
Use o procedimento a seguir para fazer login AWS, abrir o domínio do Amazon SageMaker AI e atualizar o Amazon SageMaker Canvas. Os usuários podem começar a usar o aplicativo SageMaker Canvas quando fizerem login novamente.
1. Faça login no console do Amazon SageMaker AI no [Amazon SageMaker Runtime](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na página **Domínios**, escolha o seu Domínio.
1. Na lista de **Perfis de usuário**, escolha um perfil de usuário.
1. Para a lista **Aplicações**, encontre a aplicação do Canvas (o **Tipo de aplicação** indica **Canvas**) e escolha **Excluir aplicação**.
1. Preencha a caixa de diálogo e escolha **Confirmar ação**.
A imagem a seguir mostra a página de perfil do usuário e destaca a ação **Excluir aplicação** do procedimento anterior.
![\[Captura de tela do perfil de usuário com a ação de Excluir aplicação destacada.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-update-app-1.png)
# Solicitar um aumento da cota
Seus usuários podem usar AWS recursos em quantidades que excedam as especificadas por suas cotas. Se seus usuários tiverem recursos limitados e encontrarem erros no SageMaker Canvas, você pode solicitar um aumento de cota para eles.
[Para obter mais detalhes sobre cotas de SageMaker IA e como solicitar um aumento de cota, consulte Cotas.](https://docs.aws.amazon.com/sagemaker/latest/dg/regions-quotas.html#regions-quotas-quotas)
O Amazon SageMaker Canvas usa os seguintes serviços para processar as solicitações de seus usuários:
+ Piloto SageMaker automático da Amazon
+ Domínio Amazon SageMaker Studio Classic
Para obter uma lista das cotas disponíveis para operações do SageMaker Canvas, consulte os [endpoints e cotas do Amazon SageMaker AI](https://docs.aws.amazon.com//general/latest/gr/sagemaker.html).
## Solicitar um aumento de instâncias para criar modelos personalizados
Ao criar um modelo personalizado, se você encontrar um erro durante a análise pós-criação que exija que você aumente sua cota para instâncias `ml.m5.2xlarge`, use as informações a seguir para resolver o problema.
Você deve aumentar a cota de endpoint do SageMaker AI Hosting para o tipo de `ml.m5.2xlarge` instância para um valor diferente de zero em sua conta. AWS Depois de criar um modelo, o SageMaker Canvas hospeda o modelo em um endpoint de hospedagem de SageMaker IA e usa o endpoint para gerar a análise pós-construção. Se você não aumentar a cota de conta padrão de 0 para `ml.m5.2xlarge` instâncias, o SageMaker Canvas não poderá concluir essa etapa e gerará um erro durante a análise pós-construção.
Para solicitar um aumento da cota, consulte [Solicitar um aumento de cota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) no *Guia do usuário do Service Quotas*.
# Conceder permissões aos usuários para importar dados do Amazon Redshift
Seus usuários podem ter conjuntos de dados armazenados no Amazon Redshift. Antes que os usuários possam importar dados do Amazon Redshift para o SageMaker Canvas, você deve adicionar a política `AmazonRedshiftFullAccess` gerenciada à função de execução do IAM que você usou para o perfil do usuário e adicionar o Amazon Redshift como principal de serviço à política de confiança da função. Você também deve associar a função de execução do IAM ao seu cluster do Amazon Redshift. Conclua os procedimentos nas seções a seguir para dar aos usuários as permissões necessárias para importar dados do Amazon Redshift.
## Adicionar permissões do Amazon Redshift ao seu perfil do IAM
Você deve conceder permissões do Amazon Redshift ao perfil do IAM especificado em seu perfil de usuário.
Para adicionar a política `AmazonRedshiftFullAccess` ao perfil do IAM do usuário, faça o seguinte:
1. Faça login no console do IAM em [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/).
1. Escolha **Perfis**.
1. Na caixa de pesquisa, busque o perfil do IAM do usuário pelo nome e selecione-o.
1. Na página de perfilo do usuário, em **Permissões**, escolha **Adicionar permissões**.
1. Escolha **Anexar políticas**.
1. Pesquise a política `AmazonRedshiftFullAccess` gerenciada e selecione-a.
1. Escolha **Anexar políticas** para anexar a política ao perfil.
Depois de anexar a política, a seção **Permissões** do perfil agora deve incluir `AmazonRedshiftFullAccess`.
Para adicionar o Amazon Redshift como entidade principal de serviço ao perfil do IAM, faça o seguinte:
1. Na mesma página do perfil do IAM, em **Relações de confiança**, escolha **Editar política de confiança**.
1. No editor **Editar política de confiança**, atualize a política de confiança para adicionar o Amazon Redshift como entidade principal de serviço. Um novo perfil do IAM que permite ao Amazon Redshift acessar outros serviços da AWS em seu nome tem uma relação de confiança da seguinte maneira:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": "redshift.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
]
}
```
------
1. Depois de editar a política de confiança, escolha **Atualizar política**.
Agora você deve ter uma função do IAM que tenha a política `AmazonRedshiftFullAccess` associada a ela e uma relação de confiança estabelecida com o Amazon Redshift, dando aos usuários permissão para importar dados do Amazon Redshift para o Canvas. SageMaker Para obter mais informações sobre políticas AWS gerenciadas, consulte [Políticas gerenciadas e políticas em linha](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) no *Guia do usuário do IAM*.
## Associar o perfil do IAM ao seu cluster do Amazon Redshift
Nas configurações do seu cluster do Amazon Redshift, você deve associar o perfil do IAM ao qual você concedeu permissões na seção anterior.
Para associar um perfil do IAM ao cluster, faça o seguinte:
1. Faça login no console do Amazon Redshift em. [https://console.aws.amazon.com/redshiftv2/](https://console.aws.amazon.com/redshiftv2/)
1. No menu de navegação, escolha **Clusters** e escolha o nome do cluster que você deseja atualizar.
1. No menu suspenso **Ações**, escolha **Gerenciar perfis do IAM**. A página de **Permissões do cluster** será exibida.
1. Em **Perfis do IAM disponíveis**, insira o ARN ou o nome do perfil do IAM, ou escolha o perfil do IAM na lista.
1. Depois, escolha **Associar perfil do IAM ** para adicioná-lo à lista de **Perfis do IAM associados**.
1. Escolha **Concluído** para associar o perfil do IAM ao cluster.
O Amazon Redshift modifica o cluster para concluir a alteração, e o perfil do IAM para o qual você concedeu anteriormente as permissões do Amazon Redshift agora está associado ao seu cluster do Amazon Redshift. Seus usuários agora têm as permissões necessárias para importar dados do Amazon Redshift para o Canvas SageMaker .
# Conceda a seus usuários permissões para enviar previsões para o Quick
Você deve conceder aos seus usuários do SageMaker Canvas permissões para enviar previsões em lote para o Quick. No Quick, os usuários podem criar análises e relatórios com um conjunto de dados e preparar painéis para compartilhar seus resultados. Para obter mais informações sobre o envio de previsões QuickSight para análise, consulte[Envie previsões para o Quick](canvas-send-predictions.md).
Para conceder as permissões necessárias para compartilhar previsões em lote com os usuários em QuickSight, você deve adicionar uma política de permissões à função de execução AWS Identity and Access Management (IAM) que você usou para o perfil do usuário. A seção a seguir mostra como anexar uma política de permissões mínimas ao seu perfil.
**Adicione a política de permissões ao seu perfil do IAM**
**Para adicionar a política de permissões, use o seguinte procedimento:**
1. Faça login no console do IAM em [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/).
1. Escolha **Perfis**.
1. Na caixa de pesquisa, busque o perfil do IAM do usuário pelo nome e selecione-o.
1. Na página de perfilo do usuário, em **Permissões**, escolha **Adicionar permissões**.
1. Escolha **Criar política em linha**.
1. Selecione a guia JSON e, em seguida, cole a seguinte política de permissões mínimas no editor: Substitua os espaços reservados `` pelo número da sua conta da AWS .
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"quicksight:CreateDataSet",
"quicksight:ListUsers",
"quicksight:ListNamespaces",
"quicksight:CreateDataSource",
"quicksight:PassDataSet",
"quicksight:PassDataSource"
],
"Resource": [
"arn:aws:quicksight:*:111122223333:datasource/*",
"arn:aws:quicksight:*:111122223333:user/*",
"arn:aws:quicksight:*:111122223333:namespace/*",
"arn:aws:quicksight:*:111122223333:dataset/*"
]
}
]
}
```
------
1. Escolha **Revisar política**.
1. Insira um **Nome** para a política.
1. Escolha **Criar política**.
Agora você deve ter uma política de IAM gerenciada pelo cliente anexada à sua função de execução que conceda aos usuários do Canvas as permissões necessárias para enviar previsões em lote aos usuários em. QuickSight
# Gerenciamento de aplicações
As seções a seguir descrevem como você pode gerenciar seus aplicativos SageMaker Canvas. Você pode visualizar, excluir ou reiniciar seus aplicativos na seção **Domínios** do console de IA. SageMaker
**Topics**
+ [Verificar se há aplicações ativos](canvas-manage-apps-active.md)
+ [Deleta a aplicação](canvas-manage-apps-delete.md)
+ [Reiniciar uma aplicação](canvas-manage-apps-relaunch.md)
# Verificar se há aplicações ativos
Para verificar se você tem algum aplicativo SageMaker Canvas em execução ativa, use o procedimento a seguir.
1. Abra o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação esquerdo, escolha **Painel**.
1. Na seção **LCNC**, há uma linha para o Canvas que informa quantos aplicativos ativos estão sendo executados. Escolha o número para ver a lista de aplicativos.
A coluna **Status** exibe o status da aplicação, como **Pronto**, **Pendente** ou **Excluído**. Se o aplicativo estiver **pronto**, sua instância de espaço de trabalho do SageMaker Canvas estará ativa. Você pode excluir o aplicativo do console ou reabrir o Canvas e sair.
# Deleta a aplicação
Se você quiser encerrar sua instância do espaço de trabalho do SageMaker Canvas, você pode sair do aplicativo SageMaker Canvas ou excluir seu aplicativo do console SageMaker AI. Uma *instância de espaço de trabalho* é dedicada para seu uso desde o momento em que você começa a usar o SageMaker Canvas até o ponto em que você para de usá-lo. A exclusão da aplicação só encerra a instância do espaço de trabalho e interrompe as cobranças da instância do espaço de trabalho. Modelos e conjuntos de dados não são afetados, mas as tarefas de criação rápida são reiniciadas automaticamente quando você faz login novamente.
Para excluir seu aplicativo Canvas pelo AWS console, primeiro feche a guia do navegador na qual seu aplicativo Canvas foi aberto. Em seguida, use o procedimento a seguir para excluir seu aplicativo SageMaker Canvas.
1. Abra o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na página **Domínios**, escolha o seu Domínio.
1. Na página de **detalhes do domínio**, escolha **Recursos**.
1. Em **Aplicativos**, encontre o aplicativo que diz **Canvas** na coluna **Tipo de aplicativo**.
1. Marque a caixa de seleção ao lado do aplicativo Canvas e escolha **Parar**.
Agora você interrompeu o aplicativo com sucesso e encerrou a instância do espaço de trabalho.
Você também pode encerrar a instância do espaço de trabalho [saindo](canvas-log-out.md) do aplicativo SageMaker Canvas.
# Reiniciar uma aplicação
Se você excluir ou sair do seu aplicativo SageMaker Canvas e quiser reiniciar o aplicativo, use o procedimento a seguir.
1. Navegue até o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação, selecione **Canvas**.
1. Na página inicial do SageMaker Canvas, na caixa **Get Started**, selecione seu perfil de usuário no menu suspenso.
1. Escolha **Abrir o Canvas** para abrir a aplicação.
SageMaker O Canvas começa a iniciar o aplicativo.
Você também pode usar o procedimento secundário a seguir se encontrar algum problema com o procedimento anterior.
1. Abra o [console de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na página **Domínios**, escolha o seu Domínio.
1. Na página de **detalhes do domínio**, em **Perfis de usuário**, selecione o nome do perfil de usuário para o aplicativo SageMaker Canvas que você deseja visualizar.
1. Escolha **Iniciar** e selecione **Canvas** na lista suspensa.
SageMaker O Canvas começa a iniciar o aplicativo.
# Configurar o Amazon SageMaker Canvas em uma VPC sem acesso à Internet
O aplicativo Amazon SageMaker Canvas é executado em um contêiner em uma Amazon Virtual Private Cloud (VPC) AWS gerenciada. Se você quiser controlar ainda mais o acesso aos seus recursos ou executar o SageMaker Canvas sem acesso público à Internet, você pode definir seu domínio Amazon SageMaker AI e as configurações de VPC. Em sua própria VPC, você pode definir configurações como grupos de segurança (firewalls virtuais que controlam o tráfego de entrada e saída das instâncias do Amazon EC2) e sub-redes (intervalos de endereços IP em sua VPC). Para saber mais VPCs, consulte [Como a Amazon VPC](https://docs.aws.amazon.com/vpc/latest/userguide/how-it-works.html) funciona.
Quando o aplicativo SageMaker Canvas está sendo executado na VPC AWS gerenciada, ele pode interagir com outros AWS serviços usando uma conexão com a Internet ou por meio de endpoints de VPC criados em uma VPC gerenciada pelo cliente (sem acesso público à Internet). SageMaker Os aplicativos Canvas podem acessar esses VPC endpoints por meio de uma interface de rede criada pelo Studio Classic que fornece conectividade à VPC gerenciada pelo cliente. O comportamento padrão do aplicativo SageMaker Canvas é ter acesso à internet. Ao usar uma conexão com a Internet, os contêineres dos trabalhos anteriores acessam recursos AWS pela Internet, como os buckets do Amazon S3, nos quais você armazena dados de treinamento e artefatos do modelo.
No entanto, se você tiver requisitos de segurança para controlar o acesso aos seus contêineres de dados e tarefas, recomendamos que você configure o SageMaker Canvas e sua VPC para que seus dados e contêineres não sejam acessíveis pela Internet. SageMaker A IA usa as configurações de VPC que você especifica ao configurar seu domínio para SageMaker o Canvas.
Se quiser configurar seu aplicativo SageMaker Canvas sem acesso à Internet, você deve definir suas configurações de VPC ao se integrar ao [domínio Amazon SageMaker AI](gs-studio-onboard.md), configurar endpoints de VPC e conceder as permissões necessárias. AWS Identity and Access Management Para obter informações sobre como configurar uma VPC na SageMaker Amazon AI, consulte. [Escolha uma Amazon VPC](onboard-vpc.md) As seções a seguir descrevem como executar o SageMaker Canvas em uma VPC sem acesso público à Internet.
## Configurar o Amazon SageMaker Canvas em uma VPC sem acesso à Internet
Você pode enviar tráfego do SageMaker Canvas para outros AWS serviços por meio de sua própria VPC. Se sua própria VPC não tiver acesso público à Internet e você tiver configurado seu domínio no modo **somente VPC**, o SageMaker Canvas também não terá acesso público à Internet. Isso inclui todas as solicitações, como acesso a conjuntos de dados no Amazon S3 ou trabalhos de treinamento para criações padrão, e as solicitações passam por endpoints da VPC em sua VPC em vez da Internet pública. Ao se integrar ao Domínio e [Escolha uma Amazon VPC](onboard-vpc.md), você pode especificar sua própria VPC como a VPC padrão para o Domínio, junto com o grupo de segurança e as configurações de sub-rede desejadas. Em seguida, a SageMaker IA cria uma interface de rede em sua VPC que o SageMaker Canvas usa para acessar endpoints de VPC em sua VPC.
Certifique-se de configurar um ou mais grupos de segurança em sua VPC com regras de entrada e saída que permitam [tráfego TCP](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances) dentro do grupo de segurança. Isso é necessário para a conectividade entre a aplicação Jupyter Server e as aplicações de gateway de kernel. Você deve permitir o acesso pelo menos às portas no intervalo `8192-65535`. Crie um grupo de segurança distinto para cada perfil de usuário e adicione acesso de entrada desse mesmo grupo de segurança. Não recomendamos reutilizar um grupo de segurança no nível de domínio para perfis de usuário. Se o grupo de segurança no nível de domínio permitir acesso de entrada a si mesmo, todas as aplicações no domínio terão acesso a todas as outras aplicações no domínio. Observe que as configurações do grupo de segurança e da sub-rede são definidas após a conclusão da integração no Domínio.
Ao integrar o domínio, se você escolher **Internet pública somente** como o tipo de acesso à rede, a VPC SageMaker será gerenciada por IA e permitirá o acesso à Internet.
Você pode alterar esse comportamento escolhendo **somente a VPC** para que a SageMaker IA envie todo o tráfego para uma interface de rede criada pela SageMaker IA na sua VPC especificada. Ao escolher essa opção, você deve fornecer as sub-redes, os grupos de segurança e os endpoints VPC necessários para se comunicar com a SageMaker API e o SageMaker AI Runtime, além de vários AWS serviços, como Amazon S3 e CloudWatch Amazon, que são usados pelo Canvas. SageMaker Observe que você só pode importar dados de buckets do Amazon S3 localizados na mesma Região da sua VPC.
Os procedimentos a seguir mostram como você pode definir essas configurações para usar o SageMaker Canvas sem a internet.
### Etapa 1: Integração ao domínio Amazon SageMaker AI
[Para enviar tráfego do SageMaker Canvas para uma interface de rede em sua própria VPC em vez de pela Internet, especifique a VPC que você deseja usar ao fazer a integração ao domínio Amazon AI. SageMaker ](gs-studio-onboard.md) Você também deve especificar pelo menos duas sub-redes em sua VPC que SageMaker a IA possa usar. Escolha **Configuração padrão** e siga o procedimento a seguir ao configurar a **Seção Rede e armazenamento** do Domínio.
1. Selecione a **VPC** desejada.
1. Escolha duas ou mais **sub-redes**. Se você não especificar as sub-redes, a SageMaker IA usará todas as sub-redes na VPC.
1. Escolha um ou mais **Grupos de segurança**.
1. Escolha **VPC Only** para desativar o acesso direto à Internet na AWS VPC gerenciada em que o Canvas está SageMaker hospedado.
Depois de desativar o acesso à Internet, conclua o processo de integração para configurar seu Domínio. Para obter mais informações sobre as configurações de VPC para o domínio Amazon SageMaker AI, consulte. [Escolha uma Amazon VPC](onboard-vpc.md)
### Etapa 2: configurar endpoints da VPC e acesso
**nota**
Para configurar o Canvas em sua própria VPC, você deve habilitar nomes de host DNS privados para seus endpoints da VPC. Para obter mais informações, consulte [Conecte-se à SageMaker IA por meio de um endpoint de interface VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/interface-vpc-endpoint.html).
SageMaker O Canvas só acessa outros AWS serviços para gerenciar e armazenar dados para sua funcionalidade. Por exemplo, ele se conecta ao Amazon Redshift se seus usuários acessarem um banco de dados do Amazon Redshift. Ele pode se conectar a um AWS serviço como o Amazon Redshift usando uma conexão com a Internet ou um VPC endpoint. Use VPC endpoints se quiser configurar conexões da sua VPC com AWS serviços que não usam a Internet pública.
Um VPC endpoint cria uma conexão privada com um AWS serviço que usa um caminho de rede isolado da Internet pública. Por exemplo, se você configurar o acesso ao Amazon S3 usando um endpoint VPC de sua própria VPC, o aplicativo Canvas SageMaker poderá acessar o Amazon S3 passando pela interface de rede em sua VPC e depois pelo endpoint VPC que se conecta ao Amazon S3. A comunicação entre o SageMaker Canvas e o Amazon S3 é privada.
Para obter mais informações sobre como configurar endpoints da VPC, consulte [AWS PrivateLink](https://docs.aws.amazon.com/vpc/latest/privatelink/what-is-privatelink.html). Se você estiver usando modelos do Amazon Bedrock no Canvas com uma VPC, para obter mais informações sobre como controlar o acesso aos seus dados, consulte [Proteger trabalhos usando uma VPC](https://docs.aws.amazon.com/bedrock/latest/userguide/usingVPC.html#configureVPC) no *Guia do usuário do Amazon Bedrock*.
A seguir estão os endpoints de VPC para cada serviço que você pode usar com o Canvas: SageMaker
| Serviço | Endpoint | Endpoint type |
| --- | --- | --- |
| AWS Application Auto Scaling | com.amazonaws. *Region*.escalonamento automático de aplicativos | Interface |
| Amazon Athena | com.amazonaws. *Region*.atena | Interface |
| SageMaker Inteligência Artificial da Amazon | com.amazonaws. *Region*.sagemaker.api com.amazonaws. *Region*.sagemaker.runtime com.amazonaws. *Region*.caderno | Interface |
| Assistente de ciência de dados com SageMaker IA da Amazon | com.amazonaws. *Region*. sagemaker-data-science-assistant | Interface |
| AWS Security Token Service | com.amazonaws. *Region*.sts | Interface |
| Amazon Elastic Container Registry (Amazon ECR) | com.amazonaws. *Region*.ecr.api com.amazonaws. *Region*.ecr.dkr | Interface |
| Amazon Elastic Compute Cloud (Amazon EC2) | com.amazonaws. *Region*.ec2 | Interface |
| Amazon Simple Storage Service (Amazon S3) | com.amazonaws. *Region*.s3 | Gateway |
| banco de dados de origem | com.amazonaws. *Region*.redshift - dados | Interface |
| AWS Secrets Manager | com.amazonaws. *Region*.gerente de segredos | Interface |
| AWS Systems Manager | com.amazonaws. *Region*.sms | Interface |
| Amazon CloudWatch | com.amazonaws. *Region*.monitoramento | Interface |
| CloudWatch Registros da Amazon | com.amazonaws. *Region*.registros | Interface |
| Amazon Forecast | com.amazonaws. *Region*.previsão com.amazonaws. *Region*.consulta de previsão | Interface |
| Amazon Textract | com.amazonaws. *Region*.extrair | Interface |
| Amazon Comprehend | com.amazonaws. *Region*.compreender | Interface |
| Amazon Rekognition | com.amazonaws. *Region*.reconhecimento | Interface |
| AWS Glue | com.amazonaws. *Region*.cola | Interface |
| AWS Application Auto Scaling | com.amazonaws. *Region*.escalonamento automático de aplicativos | Interface |
| Amazon Relational Database Service (Amazon RDS) | com.amazonaws. *Region*.rds | Interface |
| Amazon Bedrock (veja a observação após a tabela) | com.amazonaws. *Region*.bedrock-runtime | Interface |
| Amazon Kendra | com.amazonaws. *Region*.kendra | Interface |
| Amazon EMR Sem Servidor | com.amazonaws. *Region*.emr-sem servidor | Interface |
| Amazon Q Developer (veja a observação após a tabela) | com.amazonaws. *Region*.q | Interface |
**nota**
No momento, o endpoint da VPC do Amazon Q Developer está disponível apenas na região Leste dos EUA (Norte da Virgínia). Para se conectar a ele de outras regiões, você pode escolher uma das seguintes opções com base nas suas preferências de segurança e infraestrutura:
**Configure um gateway NAT.** Configure um gateway NAT na sub-rede privada da VPC para habilitar a conectividade com a internet para o endpoint do Q Developer. Para ter mais informações, consulte [Como configurar um gateway NAT em uma sub-rede privada na VPC](https://repost.aws/knowledge-center/nat-gateway-vpc-private-subnet).
**Habilite o acesso a endpoints da VPC entre regiões.** Configure o acesso a endpoints da VPC entre regiões para o Q Developer. Use essa opção para se conectar com segurança sem precisar de acesso à internet. Para ter mais informações, consulte [Como configurar endpoints de interface da Amazon VPC entre regiões para acessar recursos](https://repost.aws/knowledge-center/vpc-endpoints-cross-region-aws-services).
**nota**
Para o Amazon Bedrock, o nome do serviço de endpoint da interface `com.amazonaws.Region.bedrock` foi descontinuado. Crie um novo endpoint da VPC com o nome do serviço listado na tabela anterior.
Além disso, você não pode ajustar os modelos de base do Canvas VPCs sem acesso à Internet. Isso ocorre porque o Amazon Bedrock não oferece suporte a endpoints VPC para personalização de modelos. APIs Para saber mais sobre como ajustar os modelos de base no Canvas, consulte. [Ajustar modelos de base](canvas-fm-chat-fine-tune.md)
Você também deve adicionar uma política de endpoint para que o Amazon S3 AWS controle o acesso principal ao seu VPC endpoint. Para obter informações sobre como atualizar sua política de endpoint da VPC, consulte [Controlar o acesso a endpoints da VPC usando políticas de endpoint](https://docs.aws.amazon.com/vpc/latest/privatelink/vpc-endpoints-access.html).
A seguir estão duas políticas de endpoint da VPC que você pode usar. Use a primeira política se quiser conceder acesso apenas às funcionalidades básicas do Canvas, como importação de dados e criação de modelos. Use a segunda política se quiser conceder acesso aos [atributos adicionais de IA generativa](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html) no Canvas.
------
#### [ Basic VPC endpoint policy ]
A política a seguir concede o acesso necessário ao seu endpoint da VPC para operações básicas no Canvas.
```
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject",
"s3:CreateBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::*SageMaker*",
"arn:aws:s3:::*Sagemaker*",
"arn:aws:s3:::*sagemaker*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:ListAllMyBuckets"
],
"Resource": "*"
}
```
------
#### [ Generative AI VPC endpoint policy ]
A política a seguir concede o acesso necessário ao seu endpoint da VPC para operações básicas no Canvas, além de usar modelos básicos de IA generativa.
```
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject",
"s3:CreateBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::*SageMaker*",
"arn:aws:s3:::*Sagemaker*",
"arn:aws:s3:::*sagemaker*",
"arn:aws:s3:::*fmeval/datasets*",
"arn:aws:s3:::*jumpstart-cache-prod*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:ListAllMyBuckets"
],
"Resource": "*"
}
```
------
### Etapa 3: conceder permissões do IAM
O usuário do SageMaker Canvas deve ter as AWS Identity and Access Management permissões necessárias para permitir a conexão com os endpoints da VPC. A função do IAM para a qual você concede permissões deve ser a mesma usada na integração com o domínio Amazon SageMaker AI. Você pode anexar a `AmazonSageMakerFullAccess` política gerenciada de SageMaker IA à função do IAM para que o usuário conceda ao usuário as permissões necessárias. Se você precisar de permissões mais restritivas do IAM e usar políticas personalizadas, dê a `ec2:DescribeVpcEndpointServices` permissão ao papel do usuário. SageMaker O Canvas exige essas permissões para verificar a existência dos endpoints VPC necessários para trabalhos de construção padrão. Se ele detectar esses endpoints da VPC, os trabalhos de criação padrão serão executados por padrão em sua VPC. Caso contrário, eles serão executados na VPC AWS gerenciada padrão.
Para obter instruções sobre como anexar a política do IAM `AmazonSageMakerFullAccess` ao perfil do IAM do seu usuário, consulte [Adicionar e remover permissões de identidade do IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html).
Para conceder ao perfil do IAM do seu usuário a permissão `ec2:DescribeVpcEndpointServices` granular, use o procedimento a seguir.
1. Faça login no Console de gerenciamento da AWS e abra o [console do IAM](https://console.aws.amazon.com/iam/).
1. No painel de navegação, escolha **Perfis**.
1. Na lista, escolha o nome do perfil para o qual você deseja conceder permissões.
1. Escolha a aba **Permissões**.
1. Escolha **Adicionar permissões** e depois **Criar política em linha**.
1. Escolha a guia **JSON** e insira a seguinte política, que concede a permissão `ec2:DescribeVpcEndpointServices`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "VisualEditor0",
"Effect": "Allow",
"Action": "ec2:DescribeVpcEndpointServices",
"Resource": "*"
}
]
}
```
------
1. Escolha **Revisar política** e, em seguida, insira um **Nome** para a política (por exemplo, `VPCEndpointPermissions`).
1. Escolha **Criar política**.
O perfil do IAM do usuário agora deve ter permissões para acessar os endpoints da VPC configurados na sua VPC.
### (Opcional) Etapa 4: substituir configurações de grupo de segurança para usuários específicos
Se você for administrador, talvez queira que usuários diferentes tenham configurações de VPC diferentes ou configurações de VPC específicas do usuário. Quando você substitui as configurações padrão do grupo de segurança da VPC para um usuário específico, essas configurações são passadas para o aplicativo SageMaker Canvas desse usuário.
Você pode substituir os grupos de segurança aos quais um usuário específico tem acesso na sua VPC ao configurar um novo perfil de usuário no Studio. Você pode usar a chamada de [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html) SageMaker API (ou [create\$1user\$1profile](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_user_profile) com o [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-welcome.html)) e, em seguida, no`UserSettings`, você pode especificar o para o usuário. `SecurityGroups`
# Configure conexões com fontes de dados com OAuth
A seção a seguir descreve as etapas que você deve seguir para configurar OAuth conexões com fontes de dados do SageMaker Canvas. [OAuth](https://oauth.net/2/)é uma plataforma de autenticação comum para conceder acesso a recursos sem compartilhar senhas. Com OAuth, você pode se conectar rapidamente aos seus dados do Canvas e importá-los para criar modelos. Atualmente, o Canvas oferece suporte OAuth para Snowflake e Salesforce Data Cloud.
**nota**
Você só pode estabelecer uma OAuth conexão para cada fonte de dados.
## Configuração OAuth para o Salesforce Data Cloud
OAuth Para configurar o Salesforce Data Cloud, siga estas etapas gerais:
1. Faça login no Salesforce Data Cloud.
1. No Salesforce Data Cloud, crie uma nova conexão de aplicação e faça o seguinte:
1. Ative OAuth as configurações.
1. Quando solicitado a fornecer um URL de retorno de chamada (ou o URL do recurso acessando seus dados), especifique o URL para sua aplicação Canvas. O URL da aplicação Canvas segue este formato: `https://.studio..sagemaker.aws/canvas/default`
1. Copie a chave e o segredo do consumidor.
1. Copie o URL de autorização e o URL do token.
Para obter instruções mais detalhadas sobre como realizar as tarefas anteriores no Salesforce Data Cloud, consulte [Importar dados do Salesforce Data Cloud](data-wrangler-import.md#data-wrangler-import-salesforce-data-cloud) na documentação do Data Wrangler para importar dados do Salesforce Data Cloud.
Depois de habilitar o acesso do Salesforce Data Cloud e obter suas informações de conexão, você deve criar um [AWS Secrets Manager](https://docs.aws.amazon.com/secretsmanager/latest/userguide/intro.html)segredo para armazenar as informações e adicioná-las ao seu domínio ou perfil de usuário do Amazon SageMaker AI. Observe que você pode adicionar um segredo ao Domínio e ao perfil do usuário, mas o Canvas procura os segredos no perfil do usuário primeiro.
Para adicionar um segredo ao seu Domínio ou perfil de usuário, faça o seguinte:
1. Acesse o [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. No painel de navegação, escolha **Domínios**.
1. A partir da lista de **Domínios**, escolha o seu Domínio.
1. Para adicionar seu segredo ao Domínio, faça o seguinte:
1. Escolha o Domínio.
1. Na página **Configurações do Domínio**, escolha a guia **Configurações do Domínio**.
1. Escolha **Editar**.
1. Para adicionar um segredo ao seu perfil de usuário, faça o seguinte:
1. Escolha o Domínio do usuário.
1. Na página de **Configurações do Domínio**, escolha o perfil do usuário.
1. Na página **Detalhes do usuário**, selecione **Editar**.
1. No painel de navegação, escolha **Configurações do Canvas**.
1. Para **OAuth configurações**, escolha **Adicionar OAuth configuração**.
1. Em **Fonte de dados**, selecione **Salesforce Data Cloud**.
1. Em **Configuração do segredo**, selecione **Criar novo segredo**. Como alternativa, se você já criou um AWS Secrets Manager segredo com suas credenciais, insira o ARN do segredo. Para criar um novo segredo, faça o seguinte:
1. Em **Provedor de identidade**, selecione **SALESFORCE**.
1. Para **ID do cliente**, **Segredo do cliente**, **URL de autorização** e **URL do token**, insira todas as informações que você coletou do Salesforce Data Cloud no procedimento anterior.
1. Salve suas configurações de Domínio ou perfil de usuário.
Agora você será capaz de criar uma conexão com seus dados no Salesforce Data Cloud a partir do Canvas.
## Configuração OAuth para Snowflake
Para configurar a autenticação para o Snowflake, o Canvas oferece apoio a provedores de identidade que você pode usar em vez de fazer com que os usuários insiram diretamente suas credenciais no Canvas.
A seguir estão os links para a documentação do Snowflake para os provedores de identidade compatíveis com o Canvas:
+ [Azure AD](https://docs.snowflake.com/en/user-guide/oauth-azure.html)
+ [Okta](https://docs.snowflake.com/en/user-guide/oauth-okta.html)
+ [Ping Federate](https://docs.snowflake.com/en/user-guide/oauth-pingfed.html)
As seguintes etapas descrevem o processo geral que você deve adotar: Para obter instruções mais detalhadas sobre como executar essas etapas, consulte a seção [Configurando o Snowflake Access OAuth](data-wrangler-import.md#data-wrangler-snowflake-oauth-setup) na documentação do Data Wrangler para importar dados do Snowflake.
OAuth Para configurar o Snowflake, faça o seguinte:
1. Registre o Canvas como uma aplicação com o provedor de identidade. Isso requer a especificação de um URL de redirecionamento para o Canvas, que deve seguir este formato: `https://.studio..sagemaker.aws/canvas/default`
1. Dentro do provedor de identidade, crie um servidor ou API que envie OAuth tokens para o Canvas para que o Canvas possa acessar o Snowflake. Ao configurar o servidor, use o código de autorização e os tipos de concessão do token de atualização, especifique a vida útil do token de acesso e defina uma política de token de atualização. Além disso, na Integração de OAuth Segurança Externa do Snowflake, ative. `external_oauth_any_role_mode`
1. Obtenha as seguintes informações do provedor de identidade: URL do token, URL de autorização, ID do cliente, segredo do cliente. Para o Azure AD, também recupere as credenciais do OAuth escopo.
1. Armazene as informações recuperadas na etapa anterior em AWS Secrets Manager segredo.
1. Para Okta e Ping Federate, o segredo deve ter o seguinte formato:
```
{"token_url":"https://identityprovider.com/oauth2/example-portion-of-URL-path/v2/token",
"client_id":"example-client-id", "client_secret":"example-client-secret", "identity_provider":"OKTA"|"PING_FEDERATE",
"authorization_url":"https://identityprovider.com/oauth2/example-portion-of-URL-path/v2/authorize"}
```
1. Para o Azure AD, o segredo também deve incluir as credenciais do OAuth escopo como `datasource_oauth_scope` campo.
Depois de configurar o provedor de identidade e o segredo, você deve criar um [AWS Secrets Manager](https://docs.aws.amazon.com/secretsmanager/latest/userguide/intro.html)segredo para armazenar as informações e adicioná-las ao seu domínio ou perfil de usuário do Amazon SageMaker AI. Observe que você pode adicionar um segredo ao Domínio e ao perfil do usuário, mas o Canvas procura os segredos no perfil do usuário primeiro.
Para adicionar um segredo ao seu Domínio ou perfil de usuário, faça o seguinte:
1. Acesse o [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. No painel de navegação, escolha **Domínios**.
1. A partir da lista de **Domínios**, escolha o seu Domínio.
1. Para adicionar seu segredo ao Domínio, faça o seguinte:
1. Escolha o Domínio.
1. Na página **Configurações do Domínio**, escolha a guia **Configurações do Domínio**.
1. Escolha **Editar**.
1. Para adicionar um segredo ao seu perfil de usuário, faça o seguinte:
1. Escolha o Domínio do usuário.
1. Na página de **Configurações do Domínio**, escolha o perfil do usuário.
1. Na página **Detalhes do usuário**, selecione **Editar**.
1. No painel de navegação, escolha **Configurações do Canvas**.
1. Para **OAuth configurações**, escolha **Adicionar OAuth configuração**.
1. Em **Fonte de dados**, selecione **Snowflake**.
1. Em **Configuração do segredo**, selecione **Criar novo segredo**. Como alternativa, se você já criou um AWS Secrets Manager segredo com suas credenciais, insira o ARN do segredo. Para criar um novo segredo, faça o seguinte:
1. Em **Provedor de identidade**, selecione **SNOWFLAKE**.
1. Para **ID do cliente**, **Segredo do cliente**, **URL de autorização** e **URL do token**, insira todas as informações que você coletou do provedor de identidade no procedimento anterior.
1. Salve suas configurações de Domínio ou perfil de usuário.
Agora você será capaz de criar uma conexão com seus dados no Snowflake a partir do Canvas.
# Assistência de IA generativa para resolver problemas de ML no Canvas usando o Amazon Q Developer
Ao usar o Amazon SageMaker Canvas, você pode conversar com o Amazon Q Developer em linguagem natural para aproveitar a IA generativa e resolver problemas. O Q Developer é um assistente que ajuda você a traduzir suas metas em tarefas de machine learning (ML) e descreve cada etapa do fluxo de trabalho de ML. Ele ajuda os usuários do Canvas a reduzir a quantidade de tempo, esforço e experiência em ciência de dados necessários para utilizar o ML e tomar decisões orientada por dados para suas organizações.
Por meio de uma conversa com o Q Developer, você pode iniciar ações no Canvas, como preparar dados, criar um modelo de ML, fazer predições e implantar um modelo. O Q Developer faz sugestões para as próximas etapas e fornece contexto à medida que você conclui cada etapa. Ele também informa sobre os resultados; por exemplo, o Canvas pode transformar seu conjunto de dados de acordo com as práticas recomendadas e o Q Developer pode listar as transformações que foram usadas e por que foram usadas.
O Amazon Q Developer está disponível no SageMaker Canvas sem custo adicional para usuários do Amazon Q Developer Pro e do nível gratuito. No entanto, cobranças padrão se aplicam a recursos como a instância do espaço de trabalho do SageMaker Canvas e quaisquer recursos usados para criar ou implantar modelos. Para obter mais informações sobre preços, consulte os [preços do Amazon SageMaker Canvas](https://aws.amazon.com/sagemaker-ai/canvas/pricing/).
O uso do Amazon Q é licenciado para você sob a [Licença MIT-0](https://github.com/aws/mit-0) e está sujeito à [política de IA responsável da AWS](https://aws.amazon.com/machine-learning/responsible-ai/policy/). Quando você usa o Q Developer fora dos EUA, o Q Developer processa dados em todas as regiões dos EUA. Para ter mais informações, consulte [Cross region inference in Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/cross-region-inference.html).
**nota**
O Amazon Q Developer in SageMaker Canvas não usa o conteúdo do usuário para melhorar o serviço, independentemente de você usar a assinatura gratuita ou a assinatura profissional. Para finalidades de telemetria de serviços, o Amazon Q Developer pode rastrear seu uso, como o número de perguntas feitas e se as recomendações foram aceitas ou rejeitadas. Esses dados de telemetria não incluem informações de identificação pessoal, como o endereço IP.
## Como funciona
O Amazon Q Developer é um assistente generativo baseado em IA disponível no SageMaker Canvas que você pode consultar usando linguagem natural. Ele faz sugestões para cada etapa do fluxo de trabalho de machine learning, explicando conceitos e fornecendo opções e mais detalhes conforme necessário. Você pode usá-lo para regressão, classificação binária e casos de uso de classificação multiclasse.
Por exemplo, para prever a rotatividade de clientes, faça upload de um conjunto de dados com informações históricas de rotatividade de clientes no Canvas por meio do Q Developer. O Q Developer sugere um tipo de modelo de ML apropriado e as devidas etapas para corrigir problemas no conjunto de dados, criar um modelo e fazer predições.
**Importante**
O Amazon Q Developer é destinado a conversas sobre problemas de aprendizado de máquina no SageMaker Canvas. Ele orienta os usuários sobre as ações do Canvas e, opcionalmente, responde a perguntas sobre Serviços da AWS. O Q Developer processa as entradas do modelo somente em inglês. Para ter informações sobre como você pode usar o Q Developer, consulte [ Amazon Q Developer features](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/features.html) no *Guia do usuário do Amazon Q Developer*.
## Regiões compatíveis
O Amazon Q Developer está disponível no SageMaker Canvas da seguinte forma Regiões da AWS:
+ Leste dos EUA (Norte da Virgínia)
+ Leste dos EUA (Ohio)
+ Oeste dos EUA (Oregon)
+ Ásia-Pacífico (Mumbai)
+ Ásia-Pacífico (Seul)
+ Ásia-Pacífico (Singapura)
+ Ásia-Pacífico (Sydney)
+ Ásia-Pacífico (Tóquio)
+ Europa (Frankfurt)
+ Europa (Irlanda)
+ Europa (Paris)
## Recursos do Amazon Q Developer disponíveis no Canvas
A lista a seguir resume as tarefas do Canvas às quais o Q Developer pode oferecer assistência:
+ **Descrever seu objetivo**: o Q Developer pode sugerir um tipo de modelo de ML e uma abordagem geral para resolver seu problema.
+ **Importar e analisar conjuntos de dados**: informe ao Q Developer onde seu conjunto de dados está armazenado ou faça upload de um arquivo para salvá-lo como um conjunto de dados do Canvas. Solicite ao Q Developer que identifique todos os problemas em seu conjunto de dados, como valores discrepantes ou ausentes. O Q Developer fornece estatísticas resumidas sobre seu conjunto de dados e lista todos os problemas identificados.
Ele permite consultas sobre as seguintes estatísticas para colunas individuais:
+ Colunas numéricas: `number of valid values`, `feature type`, `mean`, `median`, `minimum`, `maximum`, `standard deviation`, `25th percentile`, `75th percentile` e `number of outliers`.
+ Colunas categóricas: `number of missing values`, `number of valid values`, `feature type`, `most frequent`, `most frequent category`, `most frequent category count`, `least frequent`, `least frequent category`, `least frequent category count` e `categories`.
+ **Corrigir problemas do conjunto de dados**: solicite ao Q Developer que use os recursos de transformação de dados do Canvas para criar uma versão revisada do seu conjunto de dados. O Canvas cria um fluxo de dados do Data Wrangler e aplica as transformações de acordo com as práticas recomendadas de ciência de dados. Para obter mais informações, consulte [preparação de dados](canvas-data-prep.md).
Se você quiser realizar tarefas mais avançadas de análise ou preparação de dados do que aquelas que você pode realizar com o Q Developer, recomendamos que acesse a interface de fluxo de dados do Data Wrangler.
+ **Treinar um modelo**: o Q Developer informa o tipo de modelo de ML recomendado para seu problema e propõe uma configuração para a criação do modelo. Você pode usar as configurações padrão sugeridas para fazer uma compilação rápida ou modificar a configuração e fazer uma compilação padrão. Quando tudo estiver pronto, solicite que o Q Developer crie seu modelo do Canvas.
Todos os tipos de modelos personalizados são permitidos. Para ter mais informações sobre os tipos de modelo e as compilações rápidas versus padrão, consulte [Como os modelos personalizados funcionam](canvas-build-model.md).
+ **Avaliar a precisão do modelo**: após a criação do modelo, o Q Developer fornece um resumo da pontuação do modelo em várias métricas. Essas métricas ajudam você a determinar a utilidade e a precisão do modelo. O Q Developer pode explicar qualquer conceito ou métrica em detalhes.
Para ver todos os detalhes e visualizações, abra o modelo no chat ou na página **Meus modelos** do Canvas. Para obter mais informações, consulte [Avaliação de modelos](canvas-evaluate-model.md).
+ **Obter predições para novos dados**: você pode fazer upload de um novo conjunto de dados e solicitar que o Q Developer ajude a abrir o recurso de predição do Canvas.
O Q Developer abre uma nova janela na aplicação para você fazer uma única predição ou fazer predições em lote com um novo conjunto de dados. Para obter mais informações, consulte [Previsões com modelos personalizados](canvas-make-predictions.md).
+ **Implantar um modelo**: para implantar seu modelo para produção, peça ao Q Developer para ajudar você a implantá-lo por meio do Canvas. O Q Developer abre uma nova janela para você configurar sua implantação.
Após a implantação, visualize os detalhes em um dos seguintes locais: 1) na página **Meus modelos** do Canvas, na guia **Implantar** do modelo ou 2) na página **MLOPs**, na guia **Implantações.** Para obter mais informações, consulte [Implantar seus modelos em um endpoint](canvas-deploy-model.md).
## Pré-requisitos
Para usar o Amazon Q Developer para criar modelos de ML no SageMaker Canvas, preencha os seguintes pré-requisitos:
**Configurar uma aplicação do Canvas**
Verifique se você tem uma aplicação do Canvas configurada. Para ter informações sobre como configurar uma aplicação do Canvas, consulte [Começando a usar o Amazon SageMaker Canvas](canvas-getting-started.md).
**Conceder permissões ao Q Developer**
Para acessar o Q Developer enquanto usa o Canvas, você deve anexar as permissões necessárias à função AWS do IAM usada para seu domínio de SageMaker IA ou perfil de usuário. É possível fazer isso por meio do console descrito nesta seção. Se você encontrar algum problema de permissão devido ao uso do método do console, anexe manualmente a política AWS gerenciada [ AmazonSageMakerCanvasSMDataScienceAssistantAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasSMDataScienceAssistantAccess)à função do IAM.
As permissões anexadas em nível de domínio se aplicam a todos os perfis de usuário no domínio, a menos que permissões individuais sejam concedidas ou revogadas em nível de perfil de usuário.
------
#### [ SageMaker AI console method ]
Você pode conceder permissões editando as configurações do domínio do SageMaker AI ou do perfil do usuário.
Para conceder permissões por meio das configurações de domínio no console do SageMaker AI, faça o seguinte:
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. A partir da lista de Domínios, escolha o seu Domínio.
1. Na página **Detalhes do domínio**, selecione **Configurações do aplicativo**.
1. Na seção **Logs**, selecione **Editar**.
1. Na página **Editar configurações do Canvas**, acesse a seção **Amazon Q Developer** e faça o seguinte:
1. Ative a **opção Habilitar Amazon Q Developer in SageMaker Canvas para ML em linguagem natural** para adicionar as permissões para conversar com Q Developer in Canvas à função de execução do seu domínio.
1. (Opcional) **Ative o bate-papo do Amazon Q Developer para AWS perguntas gerais** se quiser fazer perguntas ao Q Developer sobre várias Serviços da AWS (por exemplo: Descreva como o Athena funciona).
**nota**
Ao fazer AWS consultas gerais ao Q Developer, suas solicitações são encaminhadas pelo Leste dos EUA (Norte da Virgínia) Região da AWS. Para evitar que seus dados sejam roteados por meio da região Leste dos EUA (Norte da Virgínia), desative a opção **Habilitar o chat do Amazon Q Developer para dúvidas gerais sobre a AWS **.
------
#### [ Manual method ]
Anexe a [ AmazonSageMakerCanvasSMDataScienceAssistantAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasSMDataScienceAssistantAccess)política à função do AWS IAM usada para seu domínio ou perfil de usuário. Para ter informações sobre como fazer isso, consulte [Adicionar e remover permissões de identidade do IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) no *AWS Guia do usuário do IAM*.
------
**(Opcional) Configurar o acesso ao Q Developer por meio da VPC**
Se você tiver uma VPC configurada sem acesso público à internet, poderá adicionar um endpoint da VPC para o Q Developer. Para obter mais informações, consulte [Configurar o Amazon SageMaker Canvas em uma VPC sem acesso à Internet](canvas-vpc.md).
## Introdução
Para usar o Amazon Q Developer para criar modelos de ML no SageMaker Canvas, faça o seguinte:
1. Abra seu aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, escolha **Amazon Q**.
1. Escolha **Iniciar uma nova conversa** para abrir uma nova conversa.
Quando você inicia um novo chat, o Q Developer solicita que você exponha seu problema ou forneça um conjunto de dados.
![\[A saudação do Q Developer ao iniciar um novo chat.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/amazon-q-greeting.png)
Depois de importar seus dados, você pode pedir ao Q Developer que forneça estatísticas resumidas sobre seu conjunto de dados ou você pode fazer perguntas sobre colunas específicas. Para ver uma lista das diferentes estatísticas que o Q Developer oferece, consulte a seção [Recursos do Amazon Q Developer disponíveis no Canvas](#canvas-q-capabilities) anterior. A captura de tela a seguir mostra um exemplo de solicitação de estatísticas do conjunto de dados e da categoria mais frequente em uma coluna de categoria de produto.
![\[Caixa de diálogo de chat solicitando que o Q Developer forneça estatísticas do conjunto de dados e a estatística da categoria mais frequente.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/amazon-q-dataset-statistics.png)
O Q Developer rastreia todos os artefatos do Canvas que você importa ou cria durante a conversa, como conjuntos de dados e modelos transformados. Você pode acessá-los no chat ou em outras guias da aplicação do Canvas. Por exemplo, se o Q Developer corrigir problemas em seu conjunto de dados, você poderá acessar o novo conjunto de dados transformado nos seguintes locais:
+ A barra lateral de artefatos na interface de chat do Q Developer.
+ A página **Conjuntos de dados** do Canvas, onde você pode visualizar seus conjuntos de dados originais e transformados. O conjunto de dados transformado tem o rótulo **Criado pelo Amazon Q** adicionado a ele.
+ A página **Data Wrangler** do Canvas, onde o Q Developer cria um fluxo de dados para seu conjunto de dados.
A captura de tela a seguir mostra o conjunto de dados original e o conjunto de dados transformado na barra lateral de um chat.
![\[Os artefatos, que são um conjunto de dados e um conjunto de dados transformado, são exibidos na barra lateral de um chat do Q Developer.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/amazon-q-artifacts.png)
Quando seus dados estiverem prontos, peça ao Q Developer para ajudar a criar um modelo do Canvas. O Q Developer pode solicitar que você confirme alguns campos e analise a configuração da compilação. Se você usar a configuração de compilação padrão, seu modelo será criado por meio de uma compilação rápida. Se você quiser personalizar qualquer parte da configuração da compilação, como selecionar os algoritmos usados ou alterar a métrica objetiva, seu modelo será criado com uma compilação padrão.
A captura de tela a seguir mostra como você pode solicitar que o Q Developer inicie a criação de modelo do Canvas com apenas alguns prompts. Este exemplo usa a configuração padrão para iniciar uma compilação rápida.
![\[Uma conversa com o Q Developer em que o usuário solicitou o início da criação de um modelo do Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/amazon-q-training-chat.png)
Depois de criar seu modelo, você pode realizar ações adicionais usando linguagem natural no chat ou no menu da barra lateral de artefatos. Por exemplo, você pode visualizar detalhes e métricas do modelo, fazer predições ou implantar o modelo. A captura de tela a seguir mostra a barra lateral na qual é possível escolher essas opções adicionais.
![\[Um menu de reticências de conversa do Q Developer foi expandido, mostrando opções para visualizar detalhes, predições e a implantação do modelo.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/amazon-q-ellipsis-menu.png)
Também é possível realizar qualquer uma dessas ações acessando a página **Meus modelos** do Canvas e selecionando seu modelo. Na página do seu modelo, você pode navegar até as guias **Analisar**, **Prever** e **Implantar** para ver métricas e visualizações do modelo, fazer predições e gerenciar implantações, respectivamente.
# Registrando conversas do Q Developer com AWS CloudTrail
AWS CloudTrail é um serviço que registra ações realizadas por usuários, funções ou Serviços da AWS na Amazon SageMaker AI. CloudTrail captura chamadas de API resultantes de suas interações com o Amazon Q Developer (um assistente de IA conversacional) enquanto usa o SageMaker Canvas (uma interface de ML sem código). CloudTrail os dados mostram os detalhes da solicitação, o endereço IP do solicitante, quem fez a solicitação e quando.
Suas interações com o Q Developer são enviadas como chamadas de `SendConversation` API para o serviço SageMaker AI Data Science Assistant, que é um serviço interno que o Canvas utiliza no back-end. A origem do evento para chamadas de API `SendConversation` é `sagemaker-data-science-assistant.amazonaws.com`.
**nota**
Por motivos de privacidade e segurança, o conteúdo de suas conversas fica oculto nos logs, aparecendo como `HIDDEN_DUE_TO_SECURITY_REASONS` nos elementos de solicitação e resposta.
Para saber mais sobre isso CloudTrail, consulte o [https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-user-guide.html](https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-user-guide.html). Para saber mais sobre CloudTrail SageMaker IA, consulte[Registrando chamadas da API Amazon SageMaker AI usando AWS CloudTrail](logging-using-cloudtrail.md).
Este é um exemplo de entrada de log para a API `SendConversation`:
```
{
"eventVersion":"1.10",
"userIdentity": {
"type":"AssumedRole",
"principalId":"AROA123456789EXAMPLE:user-Isengard",
"arn":"arn:aws:sts::111122223333:assumed-role/Admin/user",
"accountId":"111122223333",
"accessKeyId":"ASIAIOSFODNN7EXAMPLE",
"sessionContext": {
"sessionIssuer": {
"type":"Role",
"principalId":"AROA123456789EXAMPLE",
"arn":"arn:aws:iam::111122223333:role/Admin",
"accountId":"111122223333",
"userName":"Admin"
},
"attributes": {
"creationDate":"2024-11-11T22:04:37Z",
"mfaAuthenticated":"false"
}
}
},
"eventTime":"2024-11-11T22:09:22Z",
"eventSource":"sagemaker-data-science-assistant.amazonaws.com",
"eventName":"SendConversation",
"awsRegion":"us-west-2",
"sourceIPAddress":"192.0.2.0",
"userAgent":"Boto3/1.33.13 md/Botocore#1.33.13 ua/2.0 os/linux#5.10.227-198.884.amzn2int.x86_64 md/arch#x86_64 lang/python#3.7.16 md/pyimpl#CPython cfg/retry-mode#legacy Botocore/1.33.13",
"requestParameters": {
"conversation": [
{
"utteranceId":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"utterance":"HIDDEN_DUE_TO_SECURITY_REASONS",
"timestamp":"Feb 4, 2020, 7:46:29 AM",
"utteranceType":"User"
}
],
"utteranceId":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111"
},
"responseElements": {
"responseCode":"CHAT_RESPONSE",
"conversationId":"1234567890abcdef0",
"response": {
"chat": {
"body":"HIDDEN_DUE_TO_SECURITY_REASONS"
}
}
},
"requestID":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"eventID":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"readOnly":false,
"eventType":"AwsApiCall",
"managementEvent":true,
"recipientAccountId":"123456789012",
"eventCategory":"Management",
"tlsDetails": {
"tlsVersion":"TLSv1.2",
"cipherSuite":"ECDHE-RSA-AES128-GCM-SHA256",
"clientProvidedHostHeader":"gamma.us-west-2.data-science-assistant.sagemaker.aws.dev"
}
}
```
# importar dados
O Amazon SageMaker Canvas oferece suporte à importação de dados tabulares, de imagens e documentos. Você pode importar conjuntos de dados da sua máquina local, de serviços da Amazon, como Amazon S3 e Amazon Redshift, e de fontes de dados externas. Ao importar conjuntos de dados do Amazon S3, você pode trazer um conjunto de dados de qualquer tamanho. Use os conjuntos de dados que você importa para criar modelos e fazer predições para outros conjuntos de dados.
Cada caso de uso para o qual você pode criar um modelo personalizado aceita diferentes tipos de entrada. Por exemplo, se você quiser criar um modelo de classificação de imagem de rótulo único, deverá importar dados de imagem. Para obter mais informações sobre os diversos tipos diferentes de modelo e os dados que eles aceitam, consulte [Como os modelos personalizados funcionam](canvas-build-model.md). Você pode importar dados e criar modelos personalizados no SageMaker Canvas para os seguintes tipos de dados:
+ **Tabular** (CSV, parquet ou tabelas)
+ Categórico: Use dados categóricos para criar modelos personalizados de predição categórica para predição de 2 e 3 ou mais categorias.
+ Numérico: Use dados numéricos para criar modelos personalizados de predição numérica.
+ Texto: Use dados de texto para criar modelos personalizados de predição de texto em várias categorias.
+ Séries temporais: Use dados de séries temporais para criar modelos personalizados de previsão de séries temporais.
+ **Imagem** (JPG ou PNG): Use dados de imagem para criar modelos personalizados de predição de imagem com rótulo único.
+ **Documento** (PDF, JPG, PNG, TIFF) — Os dados do documento são suportados somente para Ready-to-use modelos do SageMaker Canvas. Para saber mais sobre Ready-to-use modelos que podem fazer previsões para dados de documentos, consulte[Ready-to-use modelos](canvas-ready-to-use-models.md).
Você pode importar dados para o Canvas a partir das seguintes fontes de dados:
+ Arquivos locais no seu computador
+ Buckets do Amazon S3
+ Clusters provisionados pelo Amazon Redshift (não do Amazon Redshift sem servidor)
+ AWS Glue Data Catalog por meio da Amazon Athena
+ Amazon Aurora
+ Amazon Relational Database Service (Amazon RDS)
+ Salesforce Data Cloud
+ Snowflake
+ Databricks, SQLServer MariaDB e outros bancos de dados populares por meio de conectores JDBC
+ Mais de 40 plataformas SaaS externas, como SAP OData
Para obter uma lista completa de fontes de dados das quais você pode importar, consulte a tabela a seguir:
| Fonte | Tipo | Tipos de dados compatíveis |
| --- | --- | --- |
| Upload de arquivo local | Local | Tabular, Imagem, Documento |
| Amazon Aurora | Internos da Amazon | Tabular |
| Bucket do Amazon S3. | Internos da Amazon | Tabular, Imagem, Documento |
| Amazon RDS | Internos da Amazon | Tabular |
| Clusters provisionados do Amazon Redshift (não do Redshift sem servidor) | Internos da Amazon | Tabular |
| AWS Glue Data Catalog (por meio da Amazon Athena) | Internos da Amazon | Tabular |
| [Databricks](https://www.databricks.com/) | Externo | Tabular |
| Snowflake | Externo | Tabular |
| [Salesforce Data Cloud](https://www.salesforce.com/products/genie/overview/) | Externo | Tabular |
| SQLServer | Externo | Tabular |
| MySQL | Externo | Tabular |
| PostgreSQL | Externo | Tabular |
| MariaDB | Externo | Tabular |
| [Amplitude](https://docs.aws.amazon.com/appflow/latest/userguide/amplitude.html) | Plataforma SaaS externa | Tabular |
| [CircleCI](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-circleci.html) | Plataforma SaaS externa | Tabular |
| [DocuSign Monitorar](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-docusign-monitor.html) | Plataforma SaaS externa | Tabular |
| [Domo](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-domo.html) | Plataforma SaaS externa | Tabular |
| [Datadog](https://docs.aws.amazon.com/appflow/latest/userguide/datadog.html) | Plataforma SaaS externa | Tabular |
| [Dynatrace](https://docs.aws.amazon.com/appflow/latest/userguide/dynatrace.html) | Plataforma SaaS externa | Tabular |
| [Facebook Ads](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-facebook-ads.html) | Plataforma SaaS externa | Tabular |
| [Facebook Page Insights](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-facebook-page-insights.html) | Plataforma SaaS externa | Tabular |
| [Google Ads](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-ads.html) | Plataforma SaaS externa | Tabular |
| [Google Analytics 4](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-analytics-4.html) | Plataforma SaaS externa | Tabular |
| [Google Search Console](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-search-console.html) | Plataforma SaaS externa | Tabular |
| [GitHub](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-github.html) | Plataforma SaaS externa | Tabular |
| [GitLab](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-gitlab.html) | Plataforma SaaS externa | Tabular |
| [Infor Nexus](https://docs.aws.amazon.com/appflow/latest/userguide/infor-nexus.html) | Plataforma SaaS externa | Tabular |
| [Instagram Ads](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-instagram-ads.html) | Plataforma SaaS externa | Tabular |
| [Jira Cloud](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-jira-cloud.html) | Plataforma SaaS externa | Tabular |
| [LinkedIn Anúncios](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-linkedin-ads.html) | Plataforma SaaS externa | Tabular |
| [LinkedIn Anúncios](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-linkedin-ads.html) | Plataforma SaaS externa | Tabular |
| [Mailchimp](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-mailchimp.html) | Plataforma SaaS externa | Tabular |
| [Marketo](https://docs.aws.amazon.com/appflow/latest/userguide/marketo.html) | Plataforma SaaS externa | Tabular |
| [Microsoft Teams](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-microsoft-teams.html) | Plataforma SaaS externa | Tabular |
| [Mixpanel](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-mixpanel.html) | Plataforma SaaS externa | Tabular |
| [Okta](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-okta.html) | Plataforma SaaS externa | Tabular |
| [Salesforce](https://docs.aws.amazon.com/appflow/latest/userguide/salesforce.html) | Plataforma SaaS externa | Tabular |
| [Salesforce Marketing Cloud](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-salesforce-marketing-cloud.html) | Plataforma SaaS externa | Tabular |
| [Salesforce Pardot](https://docs.aws.amazon.com/appflow/latest/userguide/pardot.html) | Plataforma SaaS externa | Tabular |
| [SAP OData](https://docs.aws.amazon.com/appflow/latest/userguide/sapodata.html) | Plataforma SaaS externa | Tabular |
| [SendGrid](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-sendgrid.html) | Plataforma SaaS externa | Tabular |
| [ServiceNow](https://docs.aws.amazon.com/appflow/latest/userguide/servicenow.html) | Plataforma SaaS externa | Tabular |
| [Singular](https://docs.aws.amazon.com/appflow/latest/userguide/singular.html) | Plataforma SaaS externa | Tabular |
| [Slack](https://docs.aws.amazon.com/appflow/latest/userguide/slack.html) | Plataforma SaaS externa | Tabular |
| [Stripe](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-stripe.html) | Plataforma SaaS externa | Tabular |
| [Trend Micro](https://docs.aws.amazon.com/appflow/latest/userguide/trend-micro.html) | Plataforma SaaS externa | Tabular |
| [Typeform](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-typeform.html) | Plataforma SaaS externa | Tabular |
| [Veeva](https://docs.aws.amazon.com/appflow/latest/userguide/veeva.html) | Plataforma SaaS externa | Tabular |
| [Zendesk](https://docs.aws.amazon.com/appflow/latest/userguide/zendesk.html) | Plataforma SaaS externa | Tabular |
| [Zendesk Chat](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-chat.html) | Plataforma SaaS externa | Tabular |
| [Zendesk Sell](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-sell.html) | Plataforma SaaS externa | Tabular |
| [Zendesk Sunshine](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-sunshine.html) | Plataforma SaaS externa | Tabular |
| [Zoom Meetings](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zoom.html) | Plataforma SaaS externa | Tabular |
Para obter instruções sobre como importar dados e informações sobre os requisitos de dados de entrada, como o tamanho máximo do arquivo para imagens, consulte [Criar um conjunto de dados](canvas-import-dataset.md).
O Canvas também fornece vários conjuntos de dados de amostra em sua aplicação para ajudá-lo a começar. Para saber mais sobre os conjuntos de dados SageMaker de amostra fornecidos pela IA que você pode experimentar, consulte [Usar](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-sample-datasets.html) conjuntos de dados de amostra.
Depois de importar um conjunto de dados para o Canvas, você pode atualizar o conjunto de dados a qualquer momento. Você pode fazer uma atualização manual ou configurar um cronograma para atualizações automáticas do conjunto de dados. Para obter mais informações, consulte [Atualizar um conjunto de dados](canvas-update-dataset.md).
Para obter mais informações específicas para cada tipo de conjunto de dados, consulte as seguintes seções:
**Tabular**
Para importar dados de uma fonte de dados externa (como um banco de dados Snowflake ou uma plataforma SaaS), você deve se autenticar e se conectar à fonte de dados na aplicação Canvas. Para obter mais informações, consulte [Conectar-se à fonte de dados](canvas-connecting-external.md).
Se você quiser importar conjuntos de dados maiores que 5 GB do Amazon S3 para o Canvas, você pode obter uma amostragem mais rápida usando o Amazon Athena para consultar e amostrar os dados do Amazon S3.
Depois de criar conjuntos de dados no Canvas, você pode preparar e transformar seus dados usando a funcionalidade de preparação de dados do Data Wrangler. Você pode usar o Data Wrangler para manipular valores ausentes, transformar seus atributos, unir vários conjuntos de dados em um único conjunto de dados e muito mais. Para obter mais informações, consulte [preparação de dados](canvas-data-prep.md).
**dica**
Desde que seus dados estejam organizados em tabelas, você pode unir conjuntos de dados de várias fontes, como Amazon Redshift, Amazon Athena ou Snowflake.
**Imagem**
Para obter informações sobre como editar um conjunto de dados de imagem e realizar tarefas como atribuir ou reatribuir rótulos, adicionar imagens ou excluir imagens, consulte [Editar um conjunto de dados de imagem](canvas-edit-image.md).
# Criar um conjunto de dados
**nota**
Se você estiver importando conjuntos de dados maiores que 5 GB para o Amazon SageMaker Canvas, recomendamos que você use o [recurso Data Wrangler](canvas-data-prep.md) no Canvas para criar um fluxo de dados. O Data Wrangler oferece apoio a atributos avançados de preparação de dados, como [junção](canvas-transform.md#canvas-transform-join) e [concatenação](canvas-transform.md#canvas-transform-concatenate) de dados. Depois de criar um fluxo de dados, você pode exportar seu fluxo de dados como um conjunto de dados do Canvas e começar a criar um modelo. Para obter mais informações, consulte [Exportar para criar um modelo](canvas-processing-export-model.md).
As seções a seguir descrevem como criar um conjunto de dados no Amazon SageMaker Canvas. Para modelos personalizados, você pode criar conjuntos de dados para dados tabulares e de imagem. Para Ready-to-use modelos, você pode usar conjuntos de dados tabulares e de imagem, bem como conjuntos de dados de documentos. Escolha seu fluxo de trabalho com base nas informações a seguir:
+ Para dados categóricos, numéricos, de texto e de séries temporais, consulte [Importar dados tabulares](#canvas-import-dataset-tabular).
+ Para dados de imagem, consulte [Importar dados de imagem](#canvas-import-dataset-image).
+ Para obter dados do documento, consulte[Importar dados do documento](#canvas-ready-to-use-import-document).
Um conjunto de dados pode consistir em vários arquivos. Por exemplo, você pode ter vários arquivos de dados de inventário no formato CSV. Você pode carregar esses arquivos juntos como um conjunto de dados, desde que o esquema (ou os nomes das colunas e os tipos de dados) dos arquivos correspondam.
O Canvas também é compatível com o gerenciamento de várias versões do seu conjunto de dados. Quando você cria um conjunto de dados, a primeira versão é rotulada como `V1`. Você pode criar uma nova versão do seu conjunto de dados atualizando seu conjunto de dados. Você pode fazer uma atualização manual ou configurar um cronograma automatizado para atualizar seus conjuntos de dados com dados novos. Para obter mais informações, consulte [Atualizar um conjunto de dados](canvas-update-dataset.md).
Ao importar seus dados para o Canvas, certifique-se de que eles atendam aos requisitos da tabela a seguir. As limitações são específicas para o tipo de modelo que você está criando.
| Limite | Modelos de 2 categorias, 3 ou mais categorias, numéricos e de séries temporais | Modelos de predição de texto | Modelos de predição de imagem | \$1Documentar dados para modelos Ready-to-use |
| --- | --- | --- | --- | --- |
| Tipos de arquivos compatíveis | CSV e Parquet (upload local, Amazon S3 ou bancos de dados) JSON (bancos de dados) | CSV e Parquet (upload local, Amazon S3 ou bancos de dados) JSON (bancos de dados) | JPG, PNG | PDF, JPG, PNG, TIFF |
| Tamanho máximo do arquivo | Upload local: 5 GB Fontes de dados: PBs | Upload local: 5 GB Fontes de dados: PBs | 30 MB por imagem | 5 MB por documento |
| Número máximo de arquivos que você pode carregar por vez | 30 | 30 | N/D | N/D |
| Número máximo de colunas | 1.000 | 1.000 | N/D | N/D |
| Número máximo de entradas (linhas, imagens ou documentos) para **Criações rápidas** | N/D | 7.500 linhas | 5.000 imagens | N/D |
| Número máximo de entradas (linhas, imagens ou documentos) para **Criações padrão** | N/D | 150.000 linhas | 180.000 imagens | N/D |
| Número mínimo de entradas (linhas) para **Criações rápidas** | 2 categorias: 500 linhas 3 ou mais categorias, numéricas, séries temporais: N/D | N/D | N/D | N/D |
| Número mínimo de entradas (linhas, imagens ou documentos) para **Criações padrão** | 250 linhas | 50 linhas | 50 imagens | N/D |
| Número mínimo de entradas (linhas ou imagens) por rótulo | N/D | 25 linhas | 25 linhas | N/D |
| Número mínimo de rótulos | 2 categorias: 2 3 ou mais categorias: 3 Numérico, série temporal: N/D | 2 | 2 | N/D |
| Tamanho mínimo da amostra para amostragem aleatória | 500 | N/D | N/D | N/D |
| Tamanho máximo da amostra para amostragem aleatória | 200.000 | N/D | N/D | N/D |
| Número máximo de rótulos | 2 categorias: 2 3 ou mais categorias, numéricas, séries temporais: N/D | 1000 | 1000 | N/D |
\$1Atualmente, os dados do documento são compatíveis apenas com [Ready-to-use modelos](canvas-ready-to-use-models.md) que aceitam dados do documento. Você não pode criar um modelo personalizado com dados do documento.
Observe, também, as seguintes restrições:
+ Ao importar dados de um bucket do Amazon S3, verifique se há um `.` no nome do bucket do Amazon S3. Se o nome do bucket contiver um `.`, você poderá receber erros ao tentar importar dados para o Canvas.
+ Para dados tabulares, o Canvas não permite selecionar qualquer arquivo com extensões diferentes de .csv, .parquet, .parq e .pqt para upload local e importação do Amazon S3. Os arquivos CSV devem ser delimitados por vírgula e não ter caracteres de nova linha, exceto quando denotam uma nova linha.
+ Para dados tabulares usando arquivos Parquet, observe o seguinte:
+ Os arquivos Parquet não podem incluir tipos complexos, como mapas e listas.
+ Os nomes das colunas dos arquivos do Parquet não podem conter espaços.
+ Se estiver usando compactação, os arquivos Parquet devem usar os tipos de compactação gzip ou snappy. Para obter mais informações sobre os tipos de compactação anteriores, consulte a [documentação do gzip](https://www.gzip.org/) e a [documentação do snappy](https://github.com/google/snappy).
+ Para dados de imagem, se você tiver imagens não rotuladas, deverá rotulá-las antes de criar seu modelo. Para obter informações sobre como atribuir rótulos a imagens dentro da aplicação Canvas, consulte [Editar um conjunto de dados de imagem](canvas-edit-image.md).
+ Se você configurar atualizações automáticas de conjuntos de dados ou configurações automáticas de predição em lote, só poderá criar um total de 20 configurações em sua aplicação Canvas. Para obter mais informações, consulte [Como gerenciar automações](canvas-manage-automations.md).
Depois de importar um conjunto de dados, você pode visualizá-lo na página **Conjuntos de dados** a qualquer momento.
## Importar dados tabulares
Com os conjuntos de dados tabulares, você pode criar modelos de predição categóricos, numéricos, de séries temporais e de texto. Revise as limitações na seção anterior **Importar conjunto de dados** para garantir que o conjunto de dados de imagem atenda aos requisitos de dados da imagem.
Use o seguinte procedimento para importar um conjunto de dados tabular para o Canvas:
1. Abra seu aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Conjunto de dados**.
1. Escolha **Importar dados**.
1. No menu suspenso, escolha **Tabular**.
1. Na caixa de diálogo pop-up, no campo **Nome do conjunto de dados**, insira um nome para o conjunto de dados e escolha **Criar**.
1. Na página **Criar conjunto de dados tabular**, abra o menu suspenso **Fonte de dados**.
1. Selecione sua fonte de dados:
+ Para fazer upload de arquivos do seu computador, selecione **Upload local**.
+ Para importar dados de outra fonte, como um bucket do Amazon S3 ou um banco de dados Snowflake, pesquise sua fonte de dados na **barra de pesquisa de fonte de dados**. Em seguida, escolha o bloco para a fonte de dados desejada.
**nota**
Você só pode importar dados dos blocos que têm uma conexão ativa. Se você quiser se conectar a uma fonte de dados que não está disponível para você, entre em contato com o administrador. Se você for administrador, consulte [Conectar-se à fonte de dados](canvas-connecting-external.md).
A captura de tela a seguir mostra o menu suspenso **Fonte de dados**.
![\[Captura de tela mostrando o menu suspenso Fonte de dados e uma busca por uma fonte de dados na barra de pesquisa.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/import-data-choose-source.png)
1. (Opcional) Se você estiver se conectando a um banco de dados Amazon Redshift ou Snowflake pela primeira vez, uma caixa de diálogo será exibida para criar uma conexão. Preencha a caixa de diálogo com suas credenciais e escolha **Criar conexão**. Se você já tiver uma conexão, escolha sua conexão.
1. Na sua fonte de dados, selecione os arquivos a serem importados. Para upload e importação locais do Amazon S3, você pode selecionar arquivos. Somente para o Amazon S3, você também tem a opção de inserir diretamente o URI, o alias ou o ARN do S3 do seu bucket ou ponto de acesso do S3 no campo **Entrada do S3 endpoint** e, em seguida, escolher os arquivos a serem importados. Para fontes de banco de drag-and-drop dados, você pode usar tabelas de dados no painel de navegação esquerdo.
1. (Opcional) Para fontes de dados tabulares compatíveis com consultas SQL (como Amazon Redshift, Amazon Athena ou Snowflake), você pode escolher **Editar em SQL** para fazer consultas SQL e unir tabelas antes de importá-las.
A captura de tela a seguir mostra a visualização **Editar SQL** de uma fonte de dados do Amazon Athena.
![\[Captura de tela mostrando uma consulta SQL na visualização Editar SQL para dados do Amazon Athena.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/import-data-edit-sql.png)
1. Selecione **Visualizar conjunto de dados** para visualizar seus dados antes de importá-los.
1. Nas **Configurações de importação**, insira o **nome do conjunto de dados** ou use o nome padrão do conjunto de dados.
1. (Opcional) Para dados que você importa do Amazon S3, você vê as configurações **avançadas** e pode preencher os seguintes campos:
1. Ative a opção **Usar primeira linha como cabeçalho** se quiser usar a primeira linha do seu conjunto de dados como os nomes das colunas. Se você selecionou vários arquivos, isso se aplica a cada arquivo.
1. Se você estiver importando um arquivo CSV, no menu **Codificação de arquivo (CSV)**, selecione a codificação do arquivo do conjunto de dados. `UTF-8` é o padrão.
1. No menu suspenso **Delimitador**, selecione o delimitador que separa cada célula em seus dados. O delimitador padrão é `,`. Você também pode especificar um delimitador personalizado.
1. Selecione **Detecção de várias linhas** se quiser que o Canvas analise manualmente todo o seu conjunto de dados para células de várias linhas. Por padrão, essa opção não está selecionada e o Canvas determina se deve ou não usar a compatibilidade com várias linhas tirando uma amostra dos seus dados. No entanto, o Canvas pode não detectar nenhuma célula de várias linhas na amostra. Se você tiver células de várias linhas, recomendamos que você selecione a opção **Detecção de várias linhas** para forçar o Canvas a verificar todo o conjunto de dados em busca de células com várias linhas.
1. Quando você estiver pronto para importar seus dados, escolha **Criar conjunto de dados**.
Enquanto seu conjunto de dados está sendo importado para o Canvas, você pode ver seus conjuntos de dados listados na página **Conjuntos de dados**. Nesta página, você pode [Visualizar os detalhes do conjunto de dados](#canvas-view-dataset-details).
Quando o **Status** do seu conjunto de dados é exibido como `Ready`, o Canvas importou seus dados com sucesso e você pode continuar com a [construção de um modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html).
Se você tiver uma conexão com uma fonte de dados, como um banco de dados do Amazon Redshift ou um conector SaaS, poderá retornar a essa conexão. Para o Amazon Redshift e o Snowflake, você pode adicionar outra conexão criando outro conjunto de dados, retornando à página **Importar dados** e escolhendo o bloco da **fonte de dados** para essa conexão. No menu suspenso, você pode abrir a conexão anterior ou escolher **Adicionar conexão**.
**nota**
Para plataformas SaaS, você só pode ter uma conexão por fonte de dados.
## Importar dados de imagem
Com conjuntos de dados de imagem, você pode criar modelos personalizados de predição de imagem de rótulo único que preveem um rótulo para uma imagem. Revise as limitações na seção anterior **Importar conjunto de dados** para garantir que o conjunto de dados de imagem atenda aos requisitos de dados da imagem.
**nota**
Você só pode importar conjuntos de dados de imagens por upload de arquivo local ou de um bucket do Amazon S3. Além disso, para conjuntos de dados de imagens, você deve ter pelo menos 25 imagens por rótulo.
Use o seguinte procedimento para importar um conjunto de dados de imagem para o Canvas:
1. Abra seu aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Conjunto de dados**.
1. Escolha **Importar dados**.
1. No menu suspenso, escolha **Imagem**.
1. Na caixa de diálogo pop-up, no campo **Nome do conjunto de dados**, insira um nome para o conjunto de dados e escolha **Criar**.
1. Na página **Importar**, abra o menu suspenso **Fonte de dados**.
1. Selecione sua fonte de dados. Para fazer upload de arquivos do seu computador, selecione **Upload local**. Para importar arquivos do Amazon S3, escolha **Amazon S3**.
1. No seu computador ou bucket do Amazon S3, selecione as imagens ou pastas de imagens que você deseja carregar.
1. Quando você estiver pronto para importar seus dados, escolha **Importar dados**.
Enquanto seu conjunto de dados está sendo importado para o Canvas, você pode ver seus conjuntos de dados listados na página **Conjuntos de dados**. Nesta página, você pode [Visualizar os detalhes do conjunto de dados](#canvas-view-dataset-details).
Quando o **Status** do seu conjunto de dados é exibido como `Ready`, o Canvas importou seus dados com sucesso e você pode continuar com a [construção de um modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html).
Ao criar seu modelo, você pode editar seu conjunto de dados de imagem e atribuir ou reatribuir rótulos, adicionar imagens ou excluir imagens do seu conjunto de dados. Para obter mais informações sobre como editar seu conjunto de dados de imagens, consulte [Editar um conjunto de dados de imagem](canvas-edit-image.md).
## Importar dados do documento
Os Ready-to-use modelos para análise de despesas, análise de documentos de identidade, análise de documentos e consultas de documentos oferecem suporte aos dados do documento. Você não pode criar um modelo personalizado com dados do documento.
Com conjuntos de dados de documentos, você pode gerar previsões para modelos de análise de despesas, análise de documentos de identidade, análise de documentos e consultas Ready-to-use de documentos. Revise a tabela de limitações na seção [Criar um conjunto de dados](#canvas-import-dataset) para garantir que o conjunto de dados do documento atenda aos requisitos de dados do documento.
**nota**
Você só pode importar conjuntos de dados de documentos por upload de arquivo local ou de um bucket do Amazon S3.
Use o seguinte procedimento para importar um conjunto de dados do documento para o Canvas:
1. Abra seu aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Conjunto de dados**.
1. Escolha **Importar dados**.
1. No menu suspenso, escolha **Documento**.
1. Na caixa de diálogo pop-up, no campo **Nome do conjunto de dados**, insira um nome para o conjunto de dados e escolha **Criar**.
1. Na página **Importar**, abra o menu suspenso **Fonte de dados**.
1. Selecione sua fonte de dados. Para fazer upload de arquivos do seu computador, selecione **Upload local**. Para importar arquivos do Amazon S3, escolha **Amazon S3**.
1. No seu computador ou bucket do Amazon S3, selecione os arquivos de documentos que você deseja carregar.
1. Quando você estiver pronto para importar seus dados, escolha **Importar dados**.
Enquanto seu conjunto de dados está sendo importado para o Canvas, você pode ver seus conjuntos de dados listados na página **Conjuntos de dados**. Nesta página, você pode [Visualizar os detalhes do conjunto de dados](#canvas-view-dataset-details).
Quando o **Status** do seu conjunto de dados é exibido como `Ready`, o Canvas importou seus dados com sucesso.
Na página **Conjuntos de dados**, você pode escolher seu conjunto de dados para visualizá-lo, o que mostra até os primeiros 100 documentos do seu conjunto de dados.
## Visualizar os detalhes do conjunto de dados
Para cada um dos seus conjuntos de dados, você pode visualizar todos os arquivos em um conjunto de dados, o histórico de versões do conjunto de dados e todas as configurações de atualização automática do conjunto de dados. Na página **Conjunto de dados**, você também pode iniciar ações como [Atualizar um conjunto de dados](canvas-update-dataset.md) ou [Como os modelos personalizados funcionam](canvas-build-model.md).
Para visualizar os detalhes de um conjunto de dados, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Conjunto de dados**.
1. Na lista de conjuntos de dados, escolha seu conjunto de dados.
Na guia **Dados**, você pode ver uma prévia dos seus dados. Se você escolher **Detalhes do conjunto de dados**, poderá ver todos os arquivos que fazem parte do seu conjunto de dados. Escolha um arquivo para ver somente os dados desse arquivo na visualização. Para conjuntos de dados de imagens, a visualização mostra apenas as 100 primeiras imagens do seu conjunto de dados.
Na guia **Histórico de versões**, você pode ver uma lista de todas as versões do seu conjunto de dados. Uma nova versão é criada sempre que você atualiza um conjunto de dados. Para saber mais sobre como atualizar um conjunto de dados, consulte [Atualizar um conjunto de dados](canvas-update-dataset.md). A captura de tela a seguir mostra a guia **Histórico de versões** na aplicação Canvas.
![\[Captura de tela da guia Histórico de versões de um conjunto de dados, com uma lista das versões do conjunto de dados.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-version-history.png)
Na guia **Atualizações automáticas**, você pode habilitar as atualizações automáticas para o conjunto de dados e definir uma configuração para atualizar seu conjunto de dados regularmente. Para saber mais sobre como configurar atualizações automáticas para um conjunto de dados, consulte [Configurar atualizações automáticas para um conjunto de dados](canvas-update-dataset-auto.md). A captura de tela a seguir mostra a guia **Atualizações automáticas** com as atualizações automáticas ativadas e uma lista dos trabalhos de atualização automática que foram executados no conjunto de dados.
![\[A Atualizações automáticas para um conjunto de dados mostrando as atualizações automáticas habilitadas e uma lista dos trabalhos de atualização automática.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-auto-updates.png)
# Atualizar um conjunto de dados
Depois de importar seu conjunto de dados inicial para o Amazon SageMaker Canvas, você pode ter dados adicionais que deseja adicionar ao seu conjunto de dados. Por exemplo, você pode obter dados de inventário no final de cada semana que deseja adicionar ao seu conjunto de dados. Em vez de importar seus dados várias vezes, você pode atualizar seu conjunto de dados existente e adicionar ou remover arquivos dele.
**nota**
Você só pode atualizar conjuntos de dados importados por meio de upload local ou do Amazon S3.
Você pode atualizar seu conjunto de dados manual ou automaticamente. Para obter mais informações sobre como configurar a atualizações automáticas de conjuntos de dados, consulte [Configurar atualizações automáticas para um conjunto de dados](canvas-update-dataset-auto.md).
Toda vez que você atualiza seu conjunto de dados, o Canvas cria uma nova versão dele. Você pode usar somente a versão mais recente do seu conjunto de dados para criar um modelo ou gerar predições. Para obter mais informações sobre como visualizar o histórico de versões do seu conjunto de dados, consulte [Visualizar os detalhes do conjunto de dados](canvas-import-dataset.md#canvas-view-dataset-details).
Você também pode usar atualizações de conjuntos de dados com predições de lote automatizadas, o que inicia um trabalho de predição em lote sempre que você atualiza seu conjunto de dados. Para obter mais informações, consulte [Previsões em lote no Canvas SageMaker](canvas-make-predictions-batch.md).
As seções a seguir descrevem como fazer atualizações manuais e automáticas em seu conjunto de dados.
## Atualizar manualmente um conjunto de dados
Para fazer uma atualização manual, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Conjunto de dados**.
1. Na lista de conjuntos de dados, escolha o conjunto de dados que você deseja atualizar.
1. Escolha o menu suspenso **Atualizar conjunto de dados** e escolha **Atualização manual**. Você será direcionado ao fluxo de trabalho de importação de dados.
1. No menu suspenso **Fonte de dados**, escolha **Upload local** ou **Amazon S3**.
1. A página mostra uma prévia dos seus dados. A partir daqui, você pode adicionar ou remover arquivos do conjunto de dados. Se você estiver importando dados tabulares, o esquema dos novos arquivos (nomes de colunas e tipos de dados) deverá corresponder ao esquema dos arquivos existentes. Além disso, seus novos arquivos não devem exceder o tamanho máximo do conjunto de dados ou do arquivo. Para obter mais informações sobre essas limitações, consulte [Importar conjunto de dados](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html).
**nota**
Se você adicionar um arquivo com o mesmo nome de um arquivo existente no seu conjunto de dados, o novo arquivo substituirá a versão antiga do arquivo.
1. Quando estiver pronto para salvar suas alterações, escolha **Atualizar conjunto de dados**.
Agora você tem uma nova versão do conjunto de dados.
Na página **Conjuntos de dados**, você pode escolher a guia **Histórico da versões** para ver todas as versões do seu conjunto de dados e o histórico das atualizações manuais e automáticas que você fez.
# Configurar atualizações automáticas para um conjunto de dados
Depois de importar seu conjunto de dados inicial para o Amazon SageMaker Canvas, você pode ter dados adicionais que deseja adicionar ao seu conjunto de dados. Por exemplo, você pode obter dados de inventário no final de cada semana que deseja adicionar ao seu conjunto de dados. Em vez de importar seus dados várias vezes, você pode atualizar seu conjunto de dados existente e adicionar ou remover arquivos dele.
**nota**
Você só pode atualizar conjuntos de dados importados por meio de upload local ou do Amazon S3.
Com as atualizações automáticas de conjunto de dados, você especifica um local onde o Canvas verifica os arquivos na frequência especificada por você. Se você importar novos arquivos durante a atualização, o esquema dos arquivos deverá corresponder exatamente ao conjunto de dados existente.
Toda vez que você atualiza seu conjunto de dados, o Canvas cria uma nova versão dele. Você pode usar somente a versão mais recente do seu conjunto de dados para criar um modelo ou gerar predições. Para obter mais informações sobre como visualizar o histórico de versões do seu conjunto de dados, consulte [Visualizar os detalhes do conjunto de dados](canvas-import-dataset.md#canvas-view-dataset-details).
Você também pode usar atualizações de conjuntos de dados com predições de lote automatizadas, o que inicia um trabalho de predição em lote sempre que você atualiza seu conjunto de dados. Para obter mais informações, consulte [Previsões em lote no Canvas SageMaker](canvas-make-predictions-batch.md).
As seções a seguir descrevem como fazer atualizações manuais e automáticas em seu conjunto de dados.
Uma atualização automática é quando você define uma configuração para o Canvas atualizar seu conjunto de dados em uma determinada frequência. Recomendamos que você use essa opção se receber regularmente novos arquivos de dados que deseja adicionar ao seu conjunto de dados.
Ao definir a configuração de atualização automática, você especifica um local do Amazon S3 para carregar seus arquivos e uma frequência na qual o Canvas verifica o local e importa arquivos. Cada instância do Canvas que atualiza seu conjunto de dados é chamada de *trabalho*. Para cada trabalho, o Canvas importa todos os arquivos no local do Amazon S3. Se você adicionar novos arquivos com o mesmo nome de arquivos existentes no seu conjunto de dados, o Canvas substituirá os arquivos antigos pelos novos.
Para atualizações automáticas do conjunto de dados, o Canvas não realiza a validação do esquema. Se o esquema dos arquivos importados durante uma atualização automática não corresponder ao esquema dos arquivos existentes ou exceder as limitações de tamanho (consulte [Importar conjunto de dados](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html) para obter uma tabela de limitações de tamanho de arquivo), você receberá erros quando seus trabalhos forem executados.
**nota**
Você só pode definir no máximo 20 configurações automáticas no sua aplicação Canvas. Além disso, o Canvas só faz atualizações automáticas enquanto você está conectado à sua aplicação Canvas. Se você se desconectar da sua aplicação Canvas, as atualizações automáticas serão pausadas até que você faça login novamente.
Para configurar atualizações automáticas para seu conjunto de dados, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Conjunto de dados**.
1. Na lista de conjuntos de dados, escolha o conjunto de dados que você deseja atualizar.
1. Escolha o menu suspenso **Atualizar conjunto de dados** e escolha **Atualização automática**. Você será direcionado para a guia **Atualizações automáticas** do conjunto de dados.
1. Ative o botão **Habilitar atualização automática**.
1. Em **Especificar uma fonte de dados**, insira o caminho do Amazon S3 da pasta na qual você planeja fazer upload de arquivos regularmente.
1. Em **Escolher uma frequência**, selecione **Por hora**, **Semanalmente** ou **Diariamente**.
1. Em **Especificar um horário de início**, use o calendário e o seletor de horário para selecionar quando você deseja que o primeiro trabalho de atualização automática seja iniciado.
1. Quando estiver pronto para criar a configuração de atualização automática, selecione **Salvar**.
O Canvas iniciará o primeiro trabalho de sua cadência de atualização automática no horário de início especificado.
# Visualizar seus trabalhos de atualização automática do conjunto de dados
Para visualizar o histórico de trabalhos das atualizações automáticas do conjunto de dados no Amazon SageMaker Canvas, na página de detalhes do conjunto de dados, escolha a guia **Atualizações automáticas**.
Cada atualização automática de um conjunto de dados é exibida como um trabalho na guia **Atualizações automáticas**, na seção **Histórico de trabalhos**. Para cada trabalho, você verá o seguinte:
+ **Trabalho criado**: O carimbo de data-hora de quando o Canvas começou a atualizar o conjunto de dados.
+ **Arquivos**: O número de arquivos no conjunto de dados.
+ **Células (colunas x linhas)**: O número de colunas e linhas no conjunto de dados.
+ **Status**: O status do conjunto de dados após a atualização. Se o trabalho tiver sido bem-sucedido, o status será **Pronto**. Se o trabalho falhar por algum motivo, o status será **Com falha** e você poderá passar o mouse sobre o status para obter mais detalhes.
# Editar sua configuração de atualização automática do conjunto de dados
É possível fazer alterações na configuração de atualização automática de um conjunto de dados, como alterar a frequência das atualizações. Você também pode desativar sua configuração de atualização automática para pausar as atualizações do seu conjunto de dados.
Para fazer alterações na configuração de atualização automática de um conjunto de dados, acesse a guia **Atualizações automáticas** do seu conjunto de dados e escolha **Editar** para fazer alterações na configuração.
Para pausar as atualizações do conjunto de dados, desative sua configuração automática. Você pode desativar as atualizações automáticas acessando a guia **Atualizações automáticas** do seu conjunto de dados e desativando a opção **Habilitar atualizações automáticas**. Você pode reativar essa opção a qualquer momento para retomar o cronograma de atualizações.
Para saber como excluir sua configuração, consulte [Excluir uma configuração automática](canvas-manage-automations-delete.md).
# Conectar-se à fonte de dados
No Amazon SageMaker Canvas, você pode importar dados de um local fora do seu sistema de arquivos local por meio de um AWS serviço, uma plataforma SaaS ou outros bancos de dados usando conectores JDBC. Por exemplo, para importar tabelas de um data warehouse no Amazon Redshift ou para importar dados do Google Analytics.
Ao passar pelo fluxo de trabalho de **Importação** para importar dados na aplicação Canvas, você pode escolher sua fonte de dados e, em seguida, selecionar os dados que deseja importar. Para determinadas fontes de dados, como o Snowflake e o Amazon Redshift, você deve especificar suas credenciais e adicionar uma conexão à fonte de dados.
A captura de tela a seguir mostra a barra de ferramentas das fontes de dados no fluxo de trabalho de **Importação**, com todas as fontes de dados disponíveis destacadas. Você só pode importar dados das fontes de dados que estão disponíveis para você. Entre em contato com o administrador se a fonte de dados desejada não estiver disponível.
![\[Menu suspenso Fonte de dados da página Importar dados no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/data-sources.png)
As seções a seguir fornecem informações sobre como estabelecer conexões com fontes de dados externas e importar dados delas. Analise primeiro a seção a seguir para determinar quais permissões você precisa para importar dados da sua fonte de dados.
## Permissões
Analise as informações a seguir para garantir que você tenha as permissões necessárias para importar dados da sua fonte de dados:
+ **Amazon S3:** você pode importar dados de qualquer bucket do Amazon S3, desde que seu usuário tenha permissões para acessar o bucket. *Para obter mais informações sobre o uso AWS do IAM para controlar o acesso aos buckets do Amazon S3, consulte [Gerenciamento de identidade e acesso no Amazon S3 no Guia do usuário do](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-access-control.html) Amazon S3.*
+ **Amazon Athena:** Se você tiver a [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)política e a [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política vinculadas à função de execução do seu usuário, poderá consultá-la AWS Glue Data Catalog com o Amazon Athena. Se você faz parte de um grupo de trabalho do Athena, certifique-se de que o usuário do Canvas tenha as permissões para executar consultas do Athena nos dados. Para obter mais informações, consulte [Usar grupos de trabalho para executar consultas](https://docs.aws.amazon.com/athena/latest/ug/workgroups.html) no *Manual do usuário do Amazon Athena*.
+ **Amazon DocumentDB:** você pode importar dados de qualquer banco de dados do Amazon DocumentDB, desde que tenha as credenciais (nome de usuário e senha) para se conectar ao banco de dados e tenha as permissões básicas mínimas do Canvas associadas perfil de execução do usuário. Para obter mais informações sobre as permissões do Canvas, consulte [Pré-requisitos para configurar o Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites).
+ **Amazon Redshift:** para dar a si mesmo as permissões necessárias para importar dados do Amazon Redshift, consulte [Conceder permissões aos usuários para importar dados do Amazon Redshift](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-redshift-permissions.html).
+ **Amazon RDS:** Se você tiver a [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política anexada à função de execução do seu usuário, poderá acessar seus bancos de dados do Amazon RDS a partir do Canvas.
+ **Plataformas SaaS:** se você tiver a [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)política e a [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política vinculadas à função de execução do seu usuário, terá as permissões necessárias para importar dados das plataformas SaaS. Consulte [Usar conectores SaaS com o Canvas](#canvas-connecting-external-appflow) para obter mais informações sobre como se conectar-se a um conector SaaS específico.
+ **Conectores JDBC:** para fontes de banco de dados como Databricks, MySQL ou MariaDB, você deve habilitar a autenticação de nome de usuário e senha no banco de dados de origem antes de tentar se conectar a partir do Canvas. Se você estiver se conectando a um banco de dados do Databricks, deverá ter o URL do JDBC que contém as credenciais necessárias.
## Conecte-se a um banco de dados armazenado em AWS
Talvez você queira importar os dados que você armazenou AWS. Você pode importar dados do Amazon S3, usar o Amazon Athena para consultar um banco de dados no, importar dados AWS Glue Data Catalog do [Amazon RDS ou fazer uma conexão com um banco de dados provisionado do Amazon](https://docs.aws.amazon.com/AmazonRDS/latest/UserGuide/Welcome.html) Redshift (não com o Redshift Serverless).
Você pode criar várias conexões com o Amazon Redshift. No Amazon Athena, você pode acessar qualquer banco de dados existente em seu [AWS Glue Data Catalog](https://docs.aws.amazon.com/prescriptive-guidance/latest/serverless-etl-aws-glue/aws-glue-data-catalog.html). No Amazon S3, você pode importar dados de um bucket, desde que tenha as permissões necessárias.
Para obter mais informações, verifique as seções a seguir.
### Conectar-se aos dados no Amazon S3, Amazon Athena ou Amazon RDS
No Amazon S3, você pode importar dados de qualquer bucket do Amazon S3, desde que tenha permissões para acessar o bucket.
Para o Amazon Athena, você pode acessar bancos de dados em seu, AWS Glue Data Catalog desde que tenha permissões por meio do seu grupo de trabalho do [Amazon Athena](https://docs.aws.amazon.com/athena/latest/ug/manage-queries-control-costs-with-workgroups.html).
Para o Amazon RDS, se você tiver a [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política anexada à sua função de usuário, poderá importar dados de seus bancos de dados do Amazon RDS para o Canvas.
Para importar dados de um bucket do Amazon S3 ou para executar consultas e importar tabelas de dados com o Amazon Athena, consulte [Criar um conjunto de dados](canvas-import-dataset.md). Você pode importar somente dados tabulares do Amazon Athena e pode importar dados tabulares e de imagem do Amazon S3.
### Conecte-se a um conjunto de dados Amazon DocumentDB
O Amazon DocumentDB é um serviço de banco de dados de documentos totalmente gerenciado e com tecnologia sem servidor. Você pode importar dados de documentos não estruturados armazenados em um banco de dados Amazon DocumentDB SageMaker para o Canvas como um conjunto de dados tabular e, em seguida, criar modelos de aprendizado de máquina com os dados.
**Importante**
Seu domínio de SageMaker IA deve ser configurado **somente no modo VPC** para adicionar conexões ao Amazon DocumentDB. Você só pode acessar clusters do Amazon DocumentDB na mesma Amazon VPC da sua aplicação Canvas. Além disso, o Canvas só pode se conectar a clusters Amazon DocumentDB habilitados para TLS. Para obter mais informações sobre como configurar o Canvas no modo **somente VPC**, consulte. [Configurar o Amazon SageMaker Canvas em uma VPC sem acesso à Internet](canvas-vpc.md)
Para importar dados dos bancos de dados do Amazon DocumentDB, você deve ter credenciais para acessar o banco de dados do Amazon DocumentDB e especificar o nome de usuário e a senha ao criar uma conexão com o banco de dados. Você pode configurar permissões mais granulares e restringir o acesso modificando as permissões de usuário do Amazon DocumentDB. Para saber mas sobre o controle de acesso no Amazon DocumentDB, consulte [Acesso ao banco de dados usando controle de acesso baseado em funções](https://docs.aws.amazon.com/documentdb/latest/developerguide/role_based_access_control.html) no *Guia do desenvolvedor do Amazon DocumentDB.*
Quando você importa do Amazon DocumentDB, o Canvas converte seus dados não estruturados em um conjunto de dados tabular mapeando os campos em colunas em uma tabela. Tabelas adicionais são criadas para cada campo complexo (ou estrutura aninhada) nos dados, onde as colunas correspondem aos subcampos do campo complexo. Para obter informações mais detalhadas sobre esse processo e exemplos de conversão de esquema, consulte a página [Amazon DocumentDB JDBC Driver](https://github.com/aws/amazon-documentdb-jdbc-driver/blob/develop/src/markdown/schema/schema-discovery.md) Schema Discovery. GitHub
O Canvas só pode fazer uma conexão com um único banco de dados no Amazon DocumentDB. Para importar dados de um banco de dados diferente, crie uma nova conexão.
É possível importar dados do Amazon DocumentDB para o Canvas usando os seguintes métodos:
+ [Criar um conjunto de dados](canvas-import-dataset.md). Você pode importar seus dados do Amazon DocumentDB e criar um conjunto de dados tabular no Canvas. Se você escolher esse método, siga o procedimento [Importar dados tabulares](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html#canvas-import-dataset-tabular).
+ [Criar um conjunto de dados](canvas-data-flow.md). Você pode criar um pipeline de preparação de dados no Canvas e adicionar seu banco de dados Amazon DocumentDB como fonte de dados.
Para continuar com a importação de seus dados, siga o procedimento de um dos métodos vinculados na lista anterior.
Ao chegar à etapa em qualquer fluxo de trabalho para escolher uma fonte de dados (Etapa 6 para criar um conjunto de dados ou Etapa 8 para criar um fluxo de dados), faça o seguinte:
1. Em **Fonte de dados**, abra o menu suspenso e escolha **DocumentDB**.
1. Escolha **Adicionar conexão**.
1. Na caixa de diálogo, especifique suas credenciais do Amazon DocumentDB:
1. Insira um **Nome de conexão**. Isso é um nome usado pelo Canvas para identificar esta conexão.
1. Para **Cluster**, selecione o cluster no Amazon DocumentDB que armazena seus dados. O Canvas preenche automaticamente o menu suspenso com clusters Amazon DocumentDB na mesma VPC da sua aplicação Canvas.
1. Insira o **nome de usuário** do seu cluster do Amazon DocumentDB.
1. Insira a **senh**a para seu cluster do Amazon DocumentDB.
1. Insira o nome do **conjunto de dados** ao qual deseja se conectar.
1. A opção de **Preferência de leitura** determina de quais tipos de instâncias no seu cluster Canvas lê os dados. Selecione um dos seguintes:
+ **Preferencial secundário**: O Canvas usa como padrão a leitura das instâncias secundárias do cluster, mas se uma instância secundária não estiver disponível, o Canvas lê a partir de uma instância primária.
+ **Secundário**: O Canvas lê somente as instâncias secundárias do cluster, o que impede que as operações de leitura interfiram nas operações regulares de leitura e gravação do cluster.
1. Escolha **Adicionar conexão**. A imagem a seguir mostra a caixa de diálogo com os campos anteriores para uma conexão do Amazon DocumentDB.
![\[Captura de tela da caixa de diálogo Adicionar uma nova conexão do DocumentDB no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/add-docdb-connection.png)
Agora você deve ter uma conexão com o Amazon DocumentDB e pode usar seus dados do Amazon DocumentDB no Canvas para criar um conjunto de dados ou um fluxo de dados.
### Conectar-se a um banco de dados do Amazon Redshift
Você pode importar dados do Amazon Redshift, um data warehouse onde sua organização guarda seus dados. Antes de importar dados do Amazon Redshift, a função do AWS IAM que você usa deve ter a política `AmazonRedshiftFullAccess` gerenciada anexada. Para obter instruções sobre como anexar esta política, consulte [Conceder permissões aos usuários para importar dados do Amazon Redshift](canvas-redshift-permissions.md).
Para importar dados do Amazon Redshift, faça o seguinte:
1. Crie uma conexão com um banco de dados do Amazon Redshift.
1. Alterar os dados que você quer importar.
1. Importe os dados.
Você pode usar o editor Amazon Redshift para arrastar conjuntos de dados para o painel de importação e importá-los para o Canvas. SageMaker Para obter mais controle sobre os valores retornados no conjunto de dados, use o seguinte:
+ Consultas SQL
+ Junções
As consultas SQL permitem que você personalize a forma como você importa os valores no conjunto de dados. Por exemplo, você pode especificar as colunas retornadas no conjunto de dados ou o intervalo de valores de uma coluna.
Você pode usar junções para combinar vários conjuntos de dados do Amazon Redshift em um único conjunto de dados. Você pode arrastar seus conjuntos de dados do Amazon Redshift para o painel que permite juntar os conjuntos de dados.
Você pode usar o editor SQL para editar o conjunto de dados que você juntou e converter o conjunto de dados associado em um único nó. Você pode juntar outro conjunto de dados ao nó. Você pode importar os dados que você selecionou para o SageMaker Canvas.
Use o procedimento a seguir para importar dados do Amazon Redshift.
1. No aplicativo SageMaker Canvas, acesse a página **Conjuntos de dados**.
1. Escolha **Criar** e, no menu suspenso, escolha **Tabular**.
1. Insira um nome para o conjunto de dados e escolha **Criar**.
1. Em **Fonte de dados**, abra o menu suspenso e escolha **Redshift**.
1. Escolha **Adicionar conexão**.
1. Na caixa de diálogo, especifique suas credenciais do Amazon Redshift:
1. Em **Método de autenticação**, escolha **IAM**.
1. Insira o **Identificador de cluster** para especificar a qual cluster você deseja se conectar. Insira somente o identificador do cluster e não o endpoint completo do cluster do Amazon Redshift.
1. Insira o **Nome do banco de dados** ao qual deseja se conectar.
1. Insira um **Usuário do banco de dados** para identificar o usuário que você deseja usar para se conectar ao banco de dados.
1. Para o **ARN**, insira o ARN do perfil do IAM da função que o cluster do Amazon Redshift deve assumir para mover e gravar dados no Amazon S3. Para obter mais informações sobre essa função, consulte [Autorizar o Amazon Redshift a acessar AWS outros serviços em seu nome no Guia](https://docs.aws.amazon.com/redshift/latest/mgmt/authorizing-redshift-service.html) de gerenciamento do *Amazon Redshift*.
1. Insira um **Nome de conexão**. Isso é um nome usado pelo Canvas para identificar esta conexão.
1. Na guia que tem o nome da sua conexão, arraste o arquivo .csv que você está importando para o painel **Arrastar e soltar tabela para importar**.
1. Opcional: arraste tabelas adicionais para o painel de importação. Você pode usar a GUI para juntar as tabelas. Para obter mais especificidade em suas junções, escolha **Editar em SQL**.
1. Opcional: se você estiver usando SQL para consultar os dados, poderá escolher **Contexto** para adicionar contexto à conexão especificando valores para o seguinte:
+ **Warehouse**
+ **Banco de dados**
+ **Schema**
1. Escolha **Importar dados**.
A imagem a seguir mostra um exemplo de campos especificados para uma conexão do Amazon Redshift.
![\[Captura de tela da caixa de diálogo Adicionar uma nova conexão com o Redshift no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-add-connection.png)
A imagem a seguir mostra a página usada para juntar conjuntos de dados no Amazon Redshift.
![\[Captura de tela da página de importar no Canvas, mostrando dois conjuntos de dados sendo unidos.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-join.png)
A imagem a seguir mostra uma consulta SQL sendo usada para editar uma junção no Amazon Redshift.
![\[Captura de tela de uma consulta SQL no editor Editar SQL na página Importar no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-edit-sql.png)
## Conectar-se aos seus dados com conectores JDBC
Com o JDBC, você pode se conectar aos seus bancos de dados a partir de fontes como Databricks, SQLServer MySQL, PostgreSQL, MariaDB, Amazon RDS e Amazon Aurora.
Você deve se certificar de que tem as credenciais e permissões necessárias para criar a conexão a partir do Canvas.
+ Para o Databricks, você deve fornecer um URL do JDBC. A formatação do URL pode variar entre as instâncias do Databricks. Para obter informações sobre como encontrar o URL e especificar os parâmetros dentro dele, consulte os [Parâmetros de configuração e conexão do JDBC](https://docs.databricks.com/integrations/bi/jdbc-odbc-bi.html#jdbc-configuration-and-connection-parameters) na documentação do Databricks. Veja a seguir um exemplo de como um URL pode ser formatado: `jdbc:spark://aws-sagemaker-datawrangler.cloud.databricks.com:443/default;transportMode=http;ssl=1;httpPath=sql/protocolv1/o/3122619508517275/0909-200301-cut318;AuthMech=3;UID=token;PWD=personal-access-token`
+ Para outras fontes de banco de dados, você deve configurar a autenticação de nome de usuário e senha e, em seguida, especificar essas credenciais ao se conectar ao banco de dados a partir do Canvas.
Além disso, sua fonte de dados deve estar acessível pela Internet pública ou, se sua aplicação Canvas estiver sendo executada no modo **somente VPC**, a fonte de dados deverá ser executada na mesma VPC. *Para obter mais informações sobre a configuração de um banco de dados do Amazon RDS em uma VPC, consulte Amazon [VPC VPCs e Amazon RDS no Guia do usuário do Amazon RDS](https://docs.aws.amazon.com/AmazonRDS/latest/UserGuide/USER_VPC.html).*
Depois de configurar suas credenciais da fonte de dados, você pode entrar na aplicação Canvas e criar uma conexão com a fonte de dados. Especifique suas credenciais (ou, para o Databricks, o URL) ao criar a conexão.
## Conecte-se às fontes de dados com OAuth
O Canvas suporta o uso OAuth como método de autenticação para se conectar aos seus dados no Snowflake e no Salesforce Data Cloud. [OAuth](https://oauth.net/2/)é uma plataforma de autenticação comum para conceder acesso a recursos sem compartilhar senhas.
**nota**
Você só pode estabelecer uma OAuth conexão para cada fonte de dados.
Para autorizar a conexão, você deve seguir a configuração inicial descrita em [Configure conexões com fontes de dados com OAuth](canvas-setting-up-oauth.md).
Depois de configurar OAuth as credenciais, você pode fazer o seguinte para adicionar uma conexão do Snowflake ou do Salesforce Data Cloud com: OAuth
1. Faça login na aplicação Canvas.
1. Crie um conjunto de dados tabular. Quando solicitado a carregar dados, escolha Snowflake ou Salesforce Data Cloud como sua fonte de dados.
1. Crie uma nova conexão com sua fonte de dados do Snowflake ou do Salesforce Data Cloud. Especifique OAuth como método de autenticação e insira os detalhes da sua conexão.
Agora você conseguirá importar dados dos seus bancos de dados no Snowflake ou no Salesforce Data Cloud.
## Conectar-se a uma plataforma SaaS
Você pode importar dados do Snowflake e de mais de 40 outras plataformas SaaS externas. Para obter uma lista completa de conectores, consulte a tabela em [importar dados](canvas-importing-data.md).
**nota**
Você pode importar somente dados tabulares, como tabelas de dados, de plataformas SaaS.
### Usar o Snowflake com o Canvas
O Snowflake é um serviço de armazenamento e análise de dados, e você pode importar seus dados do Snowflake para o Canvas. SageMaker Para obter mais informações sobre o Snowflake, consulte a [Documentação do Snowflake](https://www.snowflake.com/en/).
É possível importar dados da sua conta do Snowflake da seguinte forma:
1. Crie uma conexão com o banco de dados do Snowflake.
1. Escolha os dados a serem importados arrastando e soltando a tabela do menu de navegação esquerdo para o editor.
1. Importe os dados.
Você pode usar o editor Snowflake para arrastar conjuntos de dados para o painel de importação e importá-los para o Canvas. SageMaker Para obter mais controle sobre os valores retornados no conjunto de dados, use o seguinte:
+ Consultas SQL
+ Junções
As consultas SQL permitem que você personalize a forma como você importa os valores no conjunto de dados. Por exemplo, você pode especificar as colunas retornadas no conjunto de dados ou o intervalo de valores de uma coluna.
Você pode juntar vários conjuntos de dados do Snowflake em um único conjunto de dados antes de importá-los para o Canvas usando SQL ou a interface Canvas. Você pode arrastar seus conjuntos de dados do Snowflake para o painel que permite juntar os conjuntos de dados ou pode editar as junções em SQL e converter o SQL em um único nó. Você pode juntar outros nós ao nó que você converteu. Em seguida, você pode combinar os conjuntos de dados juntados em um único nó e juntar os nós a um conjunto de dados diferente do Snowflake. Finalmente, você pode importar os dados selecionados para o Canvas.
Use o procedimento a seguir para importar dados do Snowflake para o Amazon SageMaker Canvas.
1. No aplicativo SageMaker Canvas, acesse a página **Conjuntos de dados**.
1. Escolha **Criar** e, no menu suspenso, escolha **Tabular**.
1. Insira um nome para o conjunto de dados e escolha **Criar**.
1. Em **Fonte de dados**, abra o menu suspenso e escolha **Snowflake**.
1. Escolha **Adicionar conexão**.
1. Na caixa de diálogo **Adicionar uma nova conexão do Snowflake**, especifique suas credenciais do Snowflake. Em **Método de autenticação**, escolha uma das seguintes opções:
+ **Básico - nome de usuário e senha**: Forneça seu ID de conta, nome de usuário e senha do Snowflake.
+ **ARN** — Para melhorar a proteção de suas credenciais do Snowflake, forneça o ARN de um segredo que contenha suas credenciais. AWS Secrets Manager Para obter mais informações, consulte [Criar um AWS Secrets Manager segredo](https://docs.aws.amazon.com/secretsmanager/latest/userguide/create_secret.html) no *Guia AWS Secrets Manager do usuário*.
Seu segredo deve ter suas credenciais do Snowflake armazenadas no seguinte formato JSON:
```
{"accountid": "ID",
"username": "username",
"password": "password"}
```
+ **OAuth**— OAuth permite que você se autentique sem fornecer uma senha, mas requer configuração adicional. Para obter mais informações sobre como configurar OAuth credenciais para o Snowflake, consulte. [Configure conexões com fontes de dados com OAuth](canvas-setting-up-oauth.md)
1. Escolha **Adicionar conexão**.
1. Na guia que tem o nome da sua conexão, arraste o arquivo .csv que você está importando para o painel **Arrastar e soltar tabela para importar**.
1. Opcional: arraste tabelas adicionais para o painel de importação. Você pode usar a interface de usuário para juntar as tabelas. Para obter mais especificidade em suas junções, escolha **Editar em SQL**.
1. Opcional: se você estiver usando SQL para consultar os dados, poderá escolher **Contexto** para adicionar contexto à conexão especificando valores para o seguinte:
+ **Warehouse**
+ **Banco de dados**
+ **Schema**
Adicionar contexto a uma conexão facilita a especificação de futuras consultas.
1. Escolha **Importar dados**.
A imagem a seguir mostra um exemplo de campos especificados para uma conexão do Snowflake.
![\[Captura de tela da caixa de diálogo Adicionar uma nova conexão do Snowflake no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-connection.png)
A imagem a seguir mostra a página usada para adicionar contexto a uma conexão.
![\[Captura de tela da página de importação no Canvas, mostrando a caixa de diálogo Contexto.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-connection-context.png)
A imagem a seguir mostra a página usada para juntar conjuntos de dados no Snowflake.
![\[Captura de tela da página de importação no Canvas, mostrando conjuntos de dados sendo unidos.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-join.png)
A imagem a seguir mostra uma consulta SQL sendo usada para editar uma junção no Snowflake.
![\[Captura de tela de uma consulta SQL no editor Editar SQL na página Importar no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-edit-sql.png)
### Usar conectores SaaS com o Canvas
**nota**
Para plataformas SaaS além do Snowflake, você só pode ter uma conexão por fonte de dados.
Antes de importar dados de uma plataforma SaaS, seu administrador deve se autenticar e criar uma conexão com a fonte de dados. Para obter mais informações sobre como os administradores podem criar uma conexão com uma plataforma SaaS, consulte [Gerenciamento de conexões da AppFlow Amazon](https://docs.aws.amazon.com/appflow/latest/userguide/connections.html) no Guia do usuário da * AppFlow Amazon*.
Se você é um administrador que está começando a usar a Amazon AppFlow pela primeira vez, consulte [Introdução](https://docs.aws.amazon.com/appflow/latest/userguide/getting-started.html) no *Guia do AppFlow usuário da Amazon*.
Para importar dados de uma plataforma SaaS, você pode seguir o procedimento [Importar dados tabulares](canvas-import-dataset.md#canvas-import-dataset-tabular) padrão, que mostra como importar conjuntos de dados tabulares para o Canvas.
# Conjunto de dados de amostra no Canvas
SageMaker O Canvas fornece conjuntos de dados de amostra abordando casos de uso exclusivos para que você possa começar a criar, treinar e validar modelos rapidamente sem escrever nenhum código. Os casos de uso associados a esses conjuntos de dados destacam os recursos do SageMaker Canvas, e você pode aproveitar esses conjuntos de dados para começar a criar modelos. Você pode encontrar os conjuntos de dados de amostra na página **Conjuntos de dados** do seu aplicativo SageMaker Canvas.
Os conjuntos de dados a seguir são os exemplos que o SageMaker Canvas fornece por padrão. Esses conjuntos de dados abrangem casos de uso, como predição de preços imobiliários, inadimplência de empréstimos e readmissão de pacientes diabéticos; predição de vendas; predição de falhas de máquinas para agilizar a manutenção preditiva em unidades de fabricação; e geração de predições da cadeia de suprimentos para transporte e logística. Os conjuntos de dados são armazenados na `sample_dataset` pasta no bucket padrão do Amazon S3 SageMaker que a IA cria para sua conta em uma região.
+ **canvas-sample-diabetic-readmission.csv:** Esse conjunto de dados contém dados históricos, incluindo mais de quinze recursos com resultados de pacientes e hospitais. Você pode usar esse conjunto de dados para prever se pacientes diabéticos de alto risco têm probabilidade de serem readmitidos no hospital dentro de 30 dias após a alta, após 30 dias ou se não serão readmitidos. Use a coluna **readmitido** como coluna de destino e use o tipo de modelo de predição de 3 ou mais categorias com esse conjunto de dados. Para saber mais sobre como criar um modelo com esse conjunto de dados, consulte a [página do workshop do SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/5-hcls). Esse conjunto de dados foi obtido do [UCI Machine Learning Repository](https://archive.ics.uci.edu/ml/datasets/diabetes+130-us+hospitals+for+years+1999-2008).
+ **canvas-sample-housing.csv:** Esse conjunto de dados contém dados sobre as características vinculadas a um determinado preço de habitação. Você pode usar esse conjunto de dados para prever os preços de imóveis residenciais. Use a coluna **median\$1house\$1value** como coluna de destino e use o tipo de modelo de predição numérica com esse conjunto de dados. Para saber mais sobre como criar um modelo com esse conjunto de dados, consulte a [página do workshop do SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/2-real-estate). Este é o conjunto de dados habitacionais da Califórnia obtido do [StatLib repositório](https://www.dcc.fc.up.pt/~ltorgo/Regression/cal_housing.html).
+ **canvas-sample-loans.csv:** esse conjunto de dados contém dados completos de todos os empréstimos emitidos de 2007 a 2011, incluindo o status atual do empréstimo e as informações de pagamento mais recentes. Você pode usar esse conjunto de dados para prever se um cliente pagará um empréstimo. Use a coluna **loan\$1status** como coluna de destino e use o tipo de modelo de predição de 3 ou mais categorias com esse conjunto de dados. Para saber mais sobre como criar um modelo com esse conjunto de dados, consulte a [página do workshop do SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/4-finserv). Esses dados usam os LendingClub dados obtidos do [Kaggle](https://www.kaggle.com/datasets/wordsforthewise/lending-club).
+ **canvas-sample-maintenance.csv:** esse conjunto de dados contém dados sobre as características vinculadas a um determinado tipo de falha de manutenção. Você pode usar esse conjunto de dados para prever quais falhas ocorrerão no futuro. Use a coluna **Tipo de falha** como coluna de destino e use o tipo de modelo de predição de 3 ou mais categorias com esse conjunto de dados. Para saber mais sobre como criar um modelo com esse conjunto de dados, consulte a [página do workshop do SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/6-manufacturing). Esse conjunto de dados foi obtido do [UCI Machine Learning Repository](https://archive.ics.uci.edu/ml/datasets/AI4I+2020+Predictive+Maintenance+Dataset).
+ **canvas-sample-shipping-logs.csv:** esse conjunto de dados contém dados completos de envio de todos os produtos entregues, incluindo tempo estimado, prioridade de envio, transportadora e origem. Você pode usar esse conjunto de dados para prever o tempo estimado de chegada da remessa em número de dias. Use a **ActualShippingDays**coluna como a coluna de destino e use o tipo de modelo de predição numérica com esse conjunto de dados. Para saber mais sobre como criar um modelo com esses dados, consulte a [página do workshop do SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/7-supply-chain). Este é um conjunto de dados sintético criado pela Amazon.
+ **canvas-sample-sales-forecasting.csv:** esse conjunto de dados contém dados históricos de vendas de séries temporais para lojas de varejo. Você pode usar esse conjunto de dados para prever as vendas de uma determinada loja de varejo. Use a coluna **vendas** como a coluna de destino e use o tipo de modelo de previsão de séries temporais com esse conjunto de dados. Para saber mais sobre como criar um modelo com esse conjunto de dados, consulte a [página do workshop do SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/3-retail). Este é um conjunto de dados sintético criado pela Amazon.
# Reimportar um conjunto de dados de amostra excluído
O Amazon SageMaker Canvas fornece conjuntos de dados de amostra para vários casos de uso que destacam os recursos do Canvas. Para saber mais sobre os conjuntos de dados de amostra que estão disponíveis, consulte[Conjunto de dados de amostra no Canvas](canvas-sample-datasets.md). Se você não quiser mais usar os conjuntos de dados de amostra, você pode excluí-los da página **Conjuntos de dados** do seu aplicativo SageMaker Canvas. No entanto, esses conjuntos de dados ainda estarão armazenados no bucket do Amazon S3 que você especificou como [local de armazenamento do Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-storage-configuration.html), para que você sempre possa acessá-los posteriormente.
Se você usou o bucket padrão do Amazon S3, o nome do bucket segue o padrão `sagemaker-{region}-{account ID}`. Você pode encontrar os conjuntos de dados de amostra no caminho `Canvas/sample_dataset` do diretório.
Se você excluir um conjunto de dados de amostra do seu aplicativo SageMaker Canvas e quiser acessar o conjunto de dados de amostra novamente, use o procedimento a seguir.
1. Navegue até a página **de conjuntos de dados** em seu aplicativo SageMaker Canvas.
1. Escolha **Importar dados**.
1. Na lista de buckets do Amazon S3, selecione o bucket que é seu local de armazenamento do Canvas. Se estiver usando o bucket Amazon S3 padrão SageMaker criado pela IA, ele segue o padrão de nomenclatura. `sagemaker-{region}-{account ID}`
1. Selecione a pasta **Canvas**.
1. Selecione a pasta **sample\$1dataset**, que contém todos os conjuntos de dados de amostra para o Canvas. SageMaker
1. Selecione o conjunto de dados que você deseja importar e escolha **Importar dados**.
# preparação de dados
**nota**
Anteriormente, o Amazon SageMaker Data Wrangler fazia parte da experiência do SageMaker Studio Classic. Agora, se você atualizar para usar a nova experiência do Studio, deverá usar o SageMaker Canvas para acessar o Data Wrangler e receber as atualizações de recursos mais recentes. Se você usa o Data Wrangler no Studio Classic até agora e deseja migrar para o Data Wrangler no Canvas, talvez seja necessário conceder permissões adicionais para poder criar e usar uma aplicação Canvas. Para obter mais informações, consulte [(Opcional) Migrar do Data Wrangler no Studio Classic para o Canvas SageMaker](studio-updated-migrate-ui.md#studio-updated-migrate-dw).
Para saber como migrar seus fluxos de dados do Data Wrangler no Studio Classic, consulte. [(Opcional) Migrar dados do Studio Classic para o Studio](studio-updated-migrate-data.md)
Use o Amazon SageMaker Data Wrangler no Amazon SageMaker Canvas para preparar, destacar e analisar seus dados. Você pode integrar um fluxo de preparação de dados do Data Wrangler aos seus fluxos de trabalho de machine learning (ML) para simplificar e agilizar o pré-processamento de dados e a engenharia de atributos usando pouca ou nenhuma codificação. Você também pode adicionar seus próprios scripts e transformações em Python para personalizar os fluxos de trabalho.
+ **Fluxo de dados**: crie um fluxo de dados para definir uma série de etapas de preparação de dados de ML. Você pode usar um fluxo para combinar conjuntos de dados de diferentes fontes de dados, identificar o número e os tipos de transformações que você deseja aplicar aos conjuntos de dados e definir um fluxo de trabalho de preparação de dados que possa ser integrado a um pipeline de ML.
+ **Transforme**: limpe e transforme seu conjunto de dados usando *transformações* padrão, como ferramentas de formatação de dados numéricos, vetoriais e de sequência de caracteres. Destaque seus dados usando transformações como texto, date/time incorporação e codificação categórica.
+ **Gere insights de dados**: verifique automaticamente a qualidade dos dados e detecte anomalias em seus dados com o Data Wrangler Data Insights e o Quality Report.
+ **Analise**: analise os atributos do seu conjunto de dados em qualquer ponto do fluxo. O Data Wrangler inclui ferramentas de visualização de dados integradas, como gráficos de dispersão e histogramas, bem como ferramentas de análise de dados, como análise de vazamento de alvos e modelagem rápida para entender a correlação de atributos.
+ **Exportar**: exporte seu fluxo de trabalho de preparação de dados para um local diferente. Estes são locais de exemplo:
+ Bucket do Amazon Simple Storage Service (Amazon S3)
+ Amazon SageMaker Feature Store — Armazene os recursos e seus dados em uma loja centralizada.
+ **Automatize a preparação de dados**: Crie fluxos de trabalho de machine learning a partir do seu fluxo de dados.
+ Amazon SageMaker Pipelines — Crie fluxos de trabalho que gerenciam suas tarefas de preparação de dados de SageMaker IA, treinamento de modelos e implantação de modelos.
+ Pipeline de inferência serial: Crie um pipeline de inferência serial a partir do seu fluxo de dados. Use-o para fazer predições sobre novos dados.
+ Script Python: armazene os dados e suas transformações em um script Python para seus fluxos de trabalho personalizados.
# Criar um conjunto de dados
Use um fluxo do Data Wrangler no SageMaker Canvas, ou *fluxo de dados*, para criar e modificar um pipeline de preparação de dados. Recomendamos que você use o Data Wrangler para conjuntos de dados maiores que 5 GB.
Para começar a usar, siga o procedimento apresentado a seguir para importar seus dados para um fluxo de dados.
1. Abra SageMaker a tela.
1. No painel de navegação à esquerda, selecione **Data Wrangler**.
1. Escolha **Importar e preparar**.
1. No menu suspenso, escolha **Tabular** ou **Imagem**.
1. Em **Selecionar uma fonte de dados**, escolha sua fonte de dados e os dados que você deseja importar. Você tem a opção de selecionar até 30 arquivos ou uma pasta. Se você já tiver um conjunto de dados importado para o Canvas, escolha o **conjunto de dados Canvas** como sua fonte. Caso contrário, conecte-se a uma fonte de dados como Amazon S3 ou Snowflake e navegue pelos seus dados. Para obter informações sobre como se conectar a uma fonte de dados ou importar dados, consulte as páginas a seguir:
+ [importar dados](canvas-importing-data.md)
+ [Conectar-se à fonte de dados](canvas-connecting-external.md)
1. Depois de selecionar os dados que você deseja importar, escolha **Avançar**.
1. (Opcional) Para a seção **Configurações de importação** ao importar um conjunto de dados tabular, expanda o menu suspenso **Avançado**. Você pode especificar as seguintes configurações avançadas para importações de fluxo de dados:
+ **Método de amostragem**: Selecione o método de amostragem e o tamanho da amostra que você gostaria de usar. Para obter mais informações sobre como alterar a sua amostra ,consulte [Edite a configuração de amostragem do fluxo de dados](canvas-data-flow-edit-sampling.md).
+ **Codificação de arquivo (CSV)**: Selecione a codificação do arquivo do seu conjunto de dados. `UTF-8` é o padrão.
+ **Pular as primeiras linhas**: insira o número de linhas que você gostaria de ignorar a importação se tiver linhas redundantes no início do seu conjunto de dados.
+ **Delimitador**: Selecione o delimitador que separa cada item em seus dados. Você também pode especificar um delimitador personalizado.
+ **Detecção de várias linhas**: Selecione essa opção se quiser que o Canvas analise manualmente todo o seu conjunto de dados para células de várias linhas. O Canvas determina se deve ou não usar a compatibilidade com várias linhas coletando uma amostra de seus dados, mas o Canvas pode não detectar nenhuma célula de várias linhas na amostra. Nesse caso, recomendamos que você selecione a opção **Detecção de várias linhas** para forçar o Canvas a verificar todo o conjunto de dados em busca de células com várias linhas.
1. Escolha **Importar**.
Agora você deve ter um novo fluxo de dados e começar a adicionar etapas e análises de transformação.
# Como a interface do usuário do fluxo de dados funciona
Para ajudá-lo a navegar pelo fluxo de dados, o Data Wrangler tem as seguintes guias no painel de navegação superior:
+ **Fluxo de dados**: Essa guia fornece uma visão visual da etapa do fluxo de dados, na qual você pode adicionar ou remover transformações e exportar dados.
+ **Dados**: Essa guia fornece uma prévia dos seus dados para que você possa verificar os resultados de suas transformações. Você também pode ver uma lista ordenada das etapas do fluxo de dados e editar ou reordenar as etapas.
**nota**
Nessa guia, você só pode visualizar visualizações de dados (como a distribuição de valores por coluna) das fontes de dados do Amazon S3. Não há compatibilidade com visualizações para outras fontes de dados, como o Amazon Athena, não são compatíveis.
+ **Análises**: Nessa guia, você pode ver subguias separadas para cada análise criada. Por exemplo, se você criar um histograma e um relatório de Data Quality and Insights (DQI), o Canvas cria uma guia para cada um.
**Quando você importa um conjunto de dados, o conjunto de dados original aparece no fluxo de dados e é chamado de Fonte.** SageMaker **O Canvas infere automaticamente os tipos de cada coluna em seu conjunto de dados e cria um novo quadro de dados chamado Tipos de dados.** Você pode selecionar esse quadro para atualizar os tipos de dados inferidos.
Os conjuntos de dados, as transformações e as análises que você usa no fluxo de dados são representados como* etapas*. Cada vez que você adiciona uma etapa de transformação, você cria um novo dataframe. Quando várias etapas de transformação (exceto **Unir** ou **Concatenar**) são adicionadas ao mesmo conjunto de dados, elas são empilhadas.
Na opção **Combinar dados**, **Unir** e **Concatenar** criam-se etapas autônomas que contêm o novo conjunto de dados unido ou concatenado.
# Edite a configuração de amostragem do fluxo de dados
Ao importar dados tabulares para um fluxo de dados do Data Wrangler, você pode optar por coletar uma amostra do seu conjunto de dados para acelerar o processo de exploração e limpeza de dados. Executar transformações exploratórias em uma amostra do seu conjunto de dados geralmente é mais rápido do que executar transformações em todo o conjunto de dados, e quando você estiver pronto para exportar seu conjunto de dados e criar um modelo, poderá aplicar as transformações ao conjunto de dados completo.
O Canvas oferece apoio aos seguintes métodos de amostragem:
+ **FirstK**: O Canvas seleciona os primeiros *K* itens do seu conjunto de dados, onde *K* é um número que você especifica. Esse método de amostragem é simples, mas pode introduzir um desvio se o conjunto de dados não for ordenado aleatoriamente.
+ **Aleatório**: O Canvas seleciona itens do conjunto de dados aleatoriamente, com cada item tendo a mesma probabilidade de ser escolhido. Esse método de amostragem ajuda a garantir que a amostra seja representativa de todo o conjunto de dados.
+ **Estratificado**: O Canvas divide o conjunto de dados em grupos (ou *estratos*) com base em um ou mais atributos (por exemplo, idade e nível de renda). Em seguida, um número proporcional de itens é selecionado aleatoriamente de cada grupo. Esse método garante que todos os subgrupos relevantes sejam adequadamente representados na amostra.
Você pode editar sua configuração de amostragem a qualquer momento para alterar o tamanho da amostra usada para exploração de dados.
Para fazer alterações na configuração de amostragem automática, faça o seguinte:
1. Em seu gráfico de fluxo de dados, selecione o nó da fonte de dados.
1. Escolha **Amostragem** na barra de navegação inferior.
1. A caixa de diálogo **Amostragem** é exibida. No menu suspenso **Método de amostragem**, selecione o método de amostragem desejado.
1. Em **Tamanho máximo da amostra**, insira o número de linhas que você deseja amostrar.
1. Escolha **Atualizar** para salvar suas alterações.
As alterações em sua configuração de amostragem agora devem ser aplicadas.
# Adicione uma etapa ao seu fluxo de dados
Em seus fluxos de dados do Data Wrangler, você pode adicionar etapas que representam as transformações e análises de dados.
Para adicionar uma etapa ao fluxo de dados, selecione **\$1** ao lado de qualquer nó do conjunto de dados ou etapa adicionada anteriormente. Selecione uma das seguintes opções:
+ **Editar tipos de dados** (somente para uma etapa de **tipos de dados**): se você não tiver adicionado nenhuma transformação a uma etapa de **tipos de dados**, clique duas vezes na etapa **Tipos de dados** em seu fluxo para abrir a guia **Dados** e editar os tipos de dados que o Data Wrangler inferiu ao importar seu conjunto de dados.
+ **Adicionar transformação**: adiciona uma nova etapa de transformação. Consulte [transformar dados](canvas-transform.md) para saber mais sobre as transformações de dados que você pode adicionar.
+ **Obtenha insights de dados**: adicione análises, como histogramas ou visualizações personalizadas. Você pode usar essa opção para analisar seus dados em qualquer ponto do fluxo de dados. Consulte [Realizar análise exploratória de dados (EDA)](canvas-analyses.md) para saber mais sobre as análises que você pode adicionar.
+ **Unir**: encontre essa opção em **Combinar dados** para unir dois conjuntos de dados e adicionar o conjunto de dados resultante ao fluxo de dados. Para saber mais, consulte [Unir conjuntos de dados](canvas-transform.md#canvas-transform-join).
+ **Concatenar**: encontre essa opção em **Combinar dados** para concatenar dois conjuntos de dados e adicionar o conjunto de dados resultante ao fluxo de dados. Para saber mais, consulte [Concatenar conjuntos de dados](canvas-transform.md#canvas-transform-concatenate).
# Editar etapas do fluxo de dados
No Amazon SageMaker Canvas, você pode editar etapas individuais em seus fluxos de dados para transformar seu conjunto de dados sem precisar criar um novo fluxo de dados. A página a seguir aborda como editar etapas de junção e concatenação, bem como etapas da fonte de dados.
## Editar etapas de junção e concatenação
Em seus fluxos de dados, você tem a flexibilidade de editar suas etapas de junção e concatenação. Você pode fazer os ajustes necessários em seu fluxo de trabalho de processamento de dados, garantindo que seus dados sejam combinados e transformados adequadamente sem precisar refazer todo o fluxo de dados.
Para editar uma etapa de junção ou concatenação no fluxo de dados, faça o seguinte:
1. Salve seu fluxo de dados.
1. Escolha o ícone de adição (**\$1**) ao lado do nó de junção ou concatenação que você deseja editar.
1. No menu contextual, escolha **Editar**.
1. Um painel lateral é aberto, onde você pode editar os detalhes da sua junção ou concatenação. Modifique seus campos de etapa, como o tipo de junção. Para trocar um nó de dados e selecionar outro para unir ou concatenar, escolha o ícone de exclusão ao lado do nó e, na visualização do fluxo de dados, selecione o novo nó que você deseja incluir em sua transformação.
**nota**
Ao trocar um nó durante o processo de edição, você só pode selecionar etapas que ocorram antes da operação de junção ou concatenação. Você pode trocar o nó esquerdo ou direito, mas só pode trocar um nó por vez. Além disso, você não pode selecionar um nó de origem como substituto.
1. Escolha **Visualizar** para ver o resultado da operação de combinação.
1. Escolha **Atualizar** para salvar suas alterações.
Seu fluxo de dados agora deve estar atualizado.
## Editar ou substituir uma etapa da fonte de dados
Talvez seja necessário fazer alterações na fonte de dados ou no conjunto de dados sem excluir as transformações e as etapas do fluxo de dados aplicadas aos dados originais. No Data Wrangler, você pode editar ou substituir a configuração da fonte de dados enquanto mantém as etapas do fluxo de dados. Ao editar uma fonte de dados, você pode alterar as configurações de importação, como o tamanho ou o método de amostragem e quaisquer configurações avançadas. Você também pode adicionar mais arquivos com o mesmo esquema ou, para fontes de dados baseadas em consultas, como o Amazon Athena, você pode editar a consulta. Ao substituir uma fonte de dados, você tem a opção de selecionar um conjunto de dados diferente ou até mesmo importar os dados de uma fonte de dados totalmente diferente, desde que o esquema dos novos dados corresponda aos dados originais.
Para editar a configuração de uma fonte de dados, siga os seguintes passos:
1. Na aplicação do Canvas, acesse a página **Conjuntos de dados**.
1. Escolha seu fluxo de dados para visualizá-lo.
1. Na guia **Fluxo de dados** que mostra as etapas do fluxo de dados, localize o nó **Fonte** que você deseja editar.
1. **Escolha o ícone de elipse ao lado do nó Fonte.**
1. No menu contextual, escolha **Editar**.
1. Para fontes de dados do Amazon S3 e upload local, você tem a opção de selecionar ou fazer upload de mais arquivos com o mesmo esquema dos seus dados originais. Para fontes de dados baseadas em consultas, como o Amazon Athena, você pode remover e selecionar tabelas diferentes no criador de consultas visuais ou editar a consulta SQL diretamente. Quando concluir, selecione **Próximo**.
1. Para as **configurações de importação**, faça as alterações desejadas.
1. Após terminar, escolha **Salvar alterações**.
Sua fonte de dados agora deve estar atualizada.
Para substituir uma fonte de dados, faça o seguinte:
1. Na aplicação do Canvas, acesse a página **Conjuntos de dados**.
1. Escolha seu fluxo de dados para visualizá-lo.
1. Na guia **Fluxo de dados** que mostra as etapas do fluxo de dados, localize o nó **Fonte** que você deseja editar.
1. **Escolha o ícone de elipse ao lado do nó Fonte.**
1. No menu de contexto, escolha **Substituir**.
1. Vá até a [experiência de criar um fluxo de dados](canvas-data-flow.md) para selecionar outra fonte de dados e outros dados.
1. Quando você tiver selecionado seus dados e estiver pronto para atualizar o nó de origem, escolha **Salvar**.
Agora você deve ver o nó **Fonte** atualizado em seu fluxo de dados.
# Reordenar etapas em seu fluxo de dados
Depois de adicionar etapas ao seu fluxo de dados, você tem a opção de reordenar as etapas em vez de excluí-las e adicioná-las novamente na ordem correta. Por exemplo, você pode decidir mover uma transformação para imputar valores ausentes antes de uma etapa para formatar cadeias de caracteres.
**nota**
Você não pode alterar a ordem de determinados tipos de etapas, como definir sua fonte de dados, alterar tipos de dados, unir, concatenar ou dividir. As etapas que não podem ser reordenadas ficam acinzentadas na interface da aplicação Canvas.
Para reordenar suas etapas de fluxo de dados, faça o seguinte:
1. Ao editar um fluxo de dados no Data Wrangler, escolha a guia **Dados**. Um painel lateral chamado **Etapas** lista as etapas do fluxo de dados em ordem.
1. Passe o mouse sobre uma etapa de transformação e escolha o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) ao lado dessa etapa.
1. No menu de contexto, escolha **Reordenar**.
1. Arraste e solte as etapas do fluxo de dados na ordem desejada.
1. Quando terminar, escolha **Salvar**.
As etapas e o gráfico do fluxo de dados agora devem refletir as alterações que você fez.
# Excluir uma etapa do seu fluxo de dados
Em seus fluxos de dados, você tem a flexibilidade de excluir suas etapas de junção e concatenação e escolher se deseja ou não aplicar as transformações subsequentes aos seus dados.
Para excluir uma etapa de junção ou concatenação do seu fluxo de dados, faça o seguinte:
1. Salve seu fluxo de dados.
1. Escolha o ícone de adição (**\$1**) ao lado do nó de junção ou concatenação que você deseja excluir.
1. No menu de contexto, escolha **Delete**.
1. (Opcional) Se você tiver etapas de transformação após a etapa de junção ou concatenação, poderá escolher se deseja ou não manter as etapas de transformação subsequentes e adicioná-las separadamente a cada nó de dados. No painel lateral **Excluir junção**, escolha um nó para desmarcá-lo e remover todas as etapas de transformação subsequentes. Você pode deixar os dois nós selecionados para manter todas as etapas de transformação ou pode desmarcar os dois nós para descartar todas as etapas de transformação.
A captura de tela a seguir mostra essa etapa com apenas o segundo dos dois nós de dados selecionados. Quando a junção é excluída com sucesso, a transformação subsequente da **coluna Renomear** é mantida somente pelo segundo nó de dados.
![\[Captura de tela de um fluxo de dados no Data Wrangler mostrando a visualização de exclusão de junção.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-data-flow-delete-step.png)
1. Escolha **Excluir**.
A etapa de junção ou concatenação agora deve ser removida do seu fluxo de dados.
# Realizar análise exploratória de dados (EDA)
O Wrangler inclui análises integradas que ajudam você a gerar visualizações e análises de dados com apenas alguns cliques. Você também pode criar análises personalizadas usando seu próprio código.
Você adiciona uma análise a um quadro de dados selecionando uma etapa em seu fluxo de dados e, em seguida, escolhendo **Adicionar análise**. Para acessar uma análise que você criou, selecione a etapa que contém a análise e selecione a análise.
As análises são geradas usando uma amostra de até 200.000 linhas do seu conjunto de dados, e você pode configurar o tamanho da amostra. Para obter mais informações sobre como alterar o tamanho da amostra do fluxo de dados, consulte[Edite a configuração de amostragem do fluxo de dados](canvas-data-flow-edit-sampling.md).
**nota**
As análises são otimizadas para dados com 1000 colunas ou menos. Você pode sentir alguma latência ao gerar análises de dados com colunas adicionais.
Você pode adicionar a seguinte análise a um quadro de dados:
+ Visualizações de dados, incluindo histogramas e gráficos de dispersão.
+ Um resumo rápido do seu conjunto de dados, incluindo número de entradas, valores mínimos e máximos (para dados numéricos) e categorias mais e menos frequentes (para dados categóricos).
+ Um modelo rápido do conjunto de dados, que pode ser usado para gerar uma pontuação de importância para cada atributo.
+ Um relatório de vazamento de destino, que você pode usar para determinar se um ou mais atributos estão fortemente correlacionadas com seu atributo de destino.
+ Uma visualização personalizada usando seu próprio código.
Use as seguintes seções para saber mais sobre essas opções:
## Obtenha insights sobre dados e qualidade dos dados
Use o **Relatório de qualidade dos dados e insights** para realizar uma análise dos dados que você importou para o Data Wrangler. Recomendamos que você crie o relatório após importar o conjunto de dados. Você pode usar o relatório para ajudar você a limpar e processar seus dados. Ele fornece informações como o número de valores ausentes e o número de valores atípicos. Caso tenha problemas com seus dados, como vazamento ou desequilíbrio de destino, o relatório de insights pode chamar sua atenção para esses problemas.
Use o procedimento a seguir para criar um relatório de qualidade dos dados e insights. Ele pressupõe que você já tenha importado um conjunto de dados para o fluxo do Data Wrangler.
**Para criar um relatório de qualidade dos dados e insights**
1. Escolha o ícone de reticências ao lado de um nó no seu fluxo do Data Wrangler.
1. Selecione **Obter insights de dados**.
1. Para **Tipo de análise**, selecione **Relatório de qualidade de dados e insights**.
1. Em **Nome da análise**, especifique um nome para o relatório de insights.
1. Para **Tipo de problema**, especifique **Regressão** ou **Classificação**.
1. Para a **Coluna de destino**, especifique a coluna de destino.
1. Para **Tamanho dos dados**, especifique uma das seguintes opções:
+ **Conjunto de dados amostrado**: usa a amostra interativa do seu fluxo de dados, que pode conter até 200.000 linhas do seu conjunto de dados. Para obter informações sobre como editar o tamanho da amostra, consulte[Edite a configuração de amostragem do fluxo de dados](canvas-data-flow-edit-sampling.md).
+ **Conjunto de dados completo**: usa o conjunto de dados completo da sua fonte de dados para criar o relatório.
**nota**
A criação de um relatório de qualidade de dados e insights sobre o conjunto de dados completo usa um trabalho de SageMaker processamento da Amazon. Um trabalho SageMaker de processamento provisiona os recursos computacionais adicionais necessários para obter insights sobre todos os seus dados. Para obter mais informações sobre trabalhos SageMaker de processamento, consulte[Cargas de trabalho de transformação de dados com processamento SageMaker](processing-job.md).
1. Escolha **Criar**.
Os tópicos a seguir mostram as seções do relatório:
**Topics**
+ [Resumo](#canvas-data-insights-summary)
+ [Coluna de destino](#canvas-data-insights-target-column)
+ [Modelo rápido](#canvas-data-insights-quick-model)
+ [Resumo de atributos](#canvas-data-insights-feature-summary)
+ [Amostras](#canvas-data-insights-samples)
+ [Definições](#canvas-data-insights-definitions)
Você pode fazer download do relatório ou visualizá-lo online. Para fazer download do relatório, escolha o botão de download no canto superior direito da tela.
### Resumo
O relatório de insights tem um breve resumo dos dados que inclui informações gerais, como valores ausentes, valores inválidos, tipos de atributos, contagens de valores atípicos e muito mais. Ele também pode incluir avisos de severidade alta que apontam para prováveis problemas com os dados. Recomendamos que você investigue os avisos.
### Coluna de destino
Quando você cria o relatório de Qualidade dos Dados e Insights, o Data Wrangler oferece a opção de selecionar uma coluna de destino. Uma coluna de destino é uma coluna que você está tentando prever. Quando você escolhe uma coluna de destino, o Data Wrangler cria automaticamente uma análise da coluna de destino. Ele também classifica os atributos na ordem de seu poder preditivo. Ao selecionar uma coluna de destino, você deve especificar se está tentando resolver um problema de regressão ou classificação.
Para classificação, o Data Wrangler mostra uma tabela e um histograma das classes mais comuns. Uma classe é uma categoria. Ele também apresenta observações, ou linhas, com um valor de destino ausente ou inválido.
Para regressão, o Data Wrangler mostra um histograma de todos os valores na coluna de destino. Ele também apresenta observações, ou linhas, com um valor de destino ausente, inválido ou atípico.
### Modelo rápido
O **modelo rápido** fornece uma estimativa da qualidade prevista esperada de um modelo que você treina em seus dados.
O Data Wrangler divide seus dados em folds de treinamento e validação. Ele usa 80% das amostras para treinamento e 20% dos valores para validação. Para classificação, a amostra é dividida estratificada. Para uma divisão estratificada, cada partição de dados tem a mesma proporção de rótulos. Para problemas de classificação, é importante ter a mesma proporção de rótulos entre os folds de treinamento e classificação. O Data Wrangler treina o XGBoost modelo com os hiperparâmetros padrão. Ele aplica a interrupção antecipada dos dados de validação e executa o mínimo de pré-processamento de atributos.
Para modelos de classificação, o Data Wrangler retorna um resumo do modelo e uma matriz de confusão.
Para saber mais sobre as informações que o resumo do modelo de classificação retorna, consulte[Definições](#canvas-data-insights-definitions).
Uma matriz de confusão fornece as seguintes informações:
+ O número de vezes que o rótulo previsto corresponde ao rótulo verdadeiro.
+ O número de vezes que o rótulo previsto não corresponde ao rótulo verdadeiro.
O rótulo verdadeiro representa uma observação real em seus dados. Por exemplo, se você está usando um modelo para detectar transações fraudulentas, o rótulo verdadeiro representa uma transação que é realmente fraudulenta ou não fraudulenta. O rótulo previsto representa o rótulo que seu modelo atribui aos dados.
Você pode usar a matriz de confusão para ver o quão bem o modelo prevê a presença ou a ausência de uma condição. Se você está prevendo transações fraudulentas, pode usar a matriz de confusão para ter uma ideia da sensibilidade e da especificidade do modelo. A sensibilidade se refere à capacidade do modelo de detectar transações fraudulentas. A especificidade se refere à capacidade do modelo de evitar a detecção de transações não fraudulentas como fraudulentas.
### Resumo de atributos
Quando você especifica uma coluna de destino, o Data Wrangler ordena os atributos de acordo com seu poder de predição. O poder de predição é medido nos dados após serem divididos em 80% de treinamento e 20% de validação. O Data Wrangler ajusta um modelo para cada atributo separadamente no fold de treinamento. Ele aplica o mínimo de pré-processamento de atributos e mede o desempenho da predição nos dados de validação.
Ele normaliza as pontuações para o intervalo [0,1]. Pontuações de predição mais altas indicam colunas mais úteis para prever o destino sozinhas. Pontuações mais baixas apontam para colunas não preditivas da coluna de destino.
É incomum que uma coluna que não seja preditiva por si só seja preditiva quando usada em conjunto com outras colunas. Você pode usar com confiança as pontuações de predição para determinar se um atributo em seu conjunto de dados é preditivo.
Uma pontuação baixa geralmente indica que o atributo é redundante. Uma pontuação de 1 indica habilidades preditivas perfeitas, o que geralmente indica vazamento do destino. O vazamento do destino geralmente ocorre quando o conjunto de dados contém uma coluna que não está disponível no momento da predição. Por exemplo, pode ser uma duplicata da coluna de destino.
### Amostras
O Data Wrangler fornece informações sobre se suas amostras são anômalas ou se há duplicatas em seu conjunto de dados.
O Data Wrangler detecta amostras anômalas usando o *algoritmo de floresta de isolamento*. A floresta de isolamento associa uma pontuação de anomalias a cada amostra (linha) do conjunto de dados. Pontuações de anomalias baixas indicam amostras anômalas. Pontuações altas estão associadas a amostras não anômalas. Amostras com pontuação de anomalias negativas geralmente são consideradas anômalas, e amostras com pontuação de anomalias positivas são consideradas não anômalas.
Ao analisar uma amostra que pode ser anômala, recomendamos que você preste atenção aos valores incomuns. Por exemplo, você pode ter valores anômalos resultantes de erros na coleta e no processamento dos dados. A seguir está um exemplo das amostras mais anômalas de acordo com a implementação do algoritmo de floresta de isolamento do Data Wrangler. Recomendamos usar o conhecimento do domínio e a lógica de negócios ao examinar as amostras anômalas.
O Data Wrangler detecta linhas duplicadas e calcula a proporção de linhas duplicadas em seus dados. Algumas fontes de dados podem incluir duplicatas válidas. Outras fontes de dados podem ter duplicatas que apontam para problemas na coleta de dados. Amostras duplicadas resultantes de uma coleta de dados incorreta podem interferir nos processos de machine learning que dependem da divisão dos dados em folds de treinamento e validação independentes.
A seguir estão os elementos do relatório de insights que podem ser impactados por amostras duplicadas:
+ Modelo rápido
+ Estimativa do poder de predição
+ Ajuste automático de hiperparâmetros
Você pode remover amostras duplicadas do conjunto de dados usando a transformação **Descartar duplicata** em **Gerenciar linhas.** O Data Wrangler mostra as linhas duplicadas com mais frequência.
### Definições
Estas são as definições dos termos técnicos usados no relatório de insights de dados.
------
#### [ Feature types ]
A seguir estão as definições para cada um dos tipos de atributos:
+ **Numérico**: Os valores numéricos podem ser flutuantes ou inteiros, como idade ou renda. Os modelos de machine learning pressupõem que os valores numéricos são ordenados e uma distância é definida sobre eles. Por exemplo, 3 está mais próximo de 4 do que de 10 e 3 < 4 < 10.
+ **Categórico**: as entradas da coluna pertencem a um conjunto de valores exclusivos, que geralmente é muito menor do que o número de entradas na coluna. Por exemplo, uma coluna de comprimento 100 pode conter os valores exclusivos `Dog`, `Cat` e `Mouse`. Os valores poderiam ser numéricos, de texto ou uma combinação de ambos. `Horse`, `House`, `8`, `Love` e `3.1` seriam todos valores válidos e poderiam ser encontrados na mesma coluna categórica. O modelo de machine learning não pressupõe ordem ou distância nos valores dos atributos categóricos, ao contrário dos atributos numéricos, mesmo quando todos os valores são números.
+ **Binário**: Os atributos binários são um tipo especial de atributo categórico no qual a cardinalidade do conjunto de valores exclusivos é 2.
+ **Texto**: Uma coluna de texto contém muitos valores exclusivos não numéricos. Em casos extremos, todos os elementos da coluna são exclusivos. Em um caso extremo, não há duas entradas iguais.
+ **Datetime**: Uma coluna de datetime contém informações sobre a data ou a hora. Ela pode ter informações de data e hora.
------
#### [ Feature statistics ]
A seguir estão as definições para cada uma das estatísticas dos atributos:
+ **Poder de predição**: O poder de predição mede o quão útil a coluna na predição do destino.
+ **Valores atípicos** (em colunas numéricas): O Data Wrangler detecta valores atípicos usando duas estatísticas que são robustas aos valores atípicos: mediana e desvio padrão robusto (RSTD). O RSTD é derivado recortando os valores dos atributos no intervalo [5 percentil, 95 percentil] e calculando o desvio padrão do vetor recortado. Todos os valores maiores que a mediana \$1 5 \$1 RSTD ou menores que a mediana - 5 \$1 RSTD são considerados atípicos.
+ **Distorção** (em colunas numéricas): A distorção mede a simetria da distribuição e é definida como o terceiro momento da distribuição dividido pela terceira potência do desvio padrão. A assimetria da distribuição normal ou de qualquer outra distribuição simétrica é zero. Valores positivos implicam que a cauda direita da distribuição é maior que a cauda esquerda. Valores positivos implicam que a cauda direita da distribuição é maior que a cauda direita. Como regra geral, uma distribuição é considerada distorcida quando o valor absoluto da distorção é maior que 3.
+ **Curtose** (em colunas numéricas): A curtose de Pearson mede o peso da cauda da distribuição. Ela é definida como o quarto momento da distribuição dividido pelo quadrado do segundo momento. A curtose da distribuição normal é 3. Valores de curtose menores que 3 implicam que a distribuição está concentrada em torno da média e as caudas são mais claras do que as caudas da distribuição normal. Valores de curtose maiores que 3 implicam caudas mais pesadas ou valores atípicos.
+ **Valores ausentes**: Objetos semelhantes a Nulo, strings vazias e compostas somente por espaços em branco são considerados ausentes.
+ **Valores válidos para atributos numéricos ou destino de regressão**: Todos os valores que você pode converter em flutuantes finitos são válidos. Valores ausentes não são válidos.
+ **Valores válidos para atributos categóricos, binários ou de texto, ou para destino de classificação**: Todos os valores que não são ausentes são válidos.
+ **Atributos de datetime**: Todos os valores que você pode converter em um objeto de datetime são válidos. Valores ausentes não são válidos.
+ **Valores inválidos**: Valores que são ausentes ou que você não pode converter corretamente. Por exemplo, em uma coluna numérica, você não pode converter a string `"six"` ou um valor nulo.
------
#### [ Quick model metrics for regression ]
A seguir estão as definições para as métricas de modelo rápido:
+ R2 ou coeficiente de determinação: R2 é a proporção da variação no destino prevista pelo modelo. R2 está no intervalo de [-infty, 1]. 1 é a pontuação do modelo que prevê o destino perfeitamente, e 0 é a pontuação do modelo trivial que sempre prevê a média de destino.
+ MSE ou erro quadrático médio: MSE está no intervalo [0, infty]. 0 é a pontuação do modelo que prevê o destino perfeitamente.
+ MAE ou erro absoluto médio: MAE está no intervalo [0, infty] em que 0 é a pontuação do modelo que prevê o destino perfeitamente.
+ RMSE ou raiz do erro quadrático médio: RMSE está no intervalo [0, infty]. em que 0 é a pontuação do modelo que prevê o destino perfeitamente.
+ Erro máximo: O valor absoluto máximo do erro no conjunto de dados. O erro máximo está no intervalo [0, infty]. 0 é a pontuação do modelo que prevê o destino perfeitamente.
+ Erro absoluto médio: O erro absoluto médio está no intervalo [0, infty]. 0 é a pontuação do modelo que prevê o destino perfeitamente.
------
#### [ Quick model metrics for classification ]
A seguir estão as definições para as métricas de modelo rápido:
+ **Precisão**: Precisão é a proporção de amostras que são previstas com precisão. A precisão está no intervalo [0, 1]. 0 é a pontuação do modelo que prevê todas as amostras incorretamente, e 1 é a pontuação do modelo perfeito.
+ **Precisão balanceada**: A precisão balanceada é a proporção de amostras que são previstas com precisão quando os pesos da classe são ajustados para equilibrar os dados. Todas as classes têm a mesma importância, independentemente da frequência. A precisão balanceada está no intervalo [0, 1]. 0 é a pontuação do modelo que prevê todas as amostras incorretamente, e 1 é a pontuação do modelo perfeito.
+ **AUC (classificação binária)**: Essa é a área sob a curva característica de operação do receptor. AUC está no intervalo [0, 1] em que um modelo aleatório retorna uma pontuação de 0,5, e o modelo perfeito retorna uma pontuação de 1.
+ **AUC (OVR)**: Para classificação multiclasse, esta é a área sob a curva característica de operação do receptor calculada separadamente para cada rótulo usando um versus rest. O Data Wrangler relata a média das áreas. AUC está no intervalo [0, 1] em que um modelo aleatório retorna uma pontuação de 0,5, e o modelo perfeito retorna uma pontuação de 1.
+ **Precisão**: A precisão é definida para uma classe específica. Precisão é a fração de positivos verdadeiros de todas as instâncias que o modelo classificou como essa classe. A precisão está no intervalo [0, 1]. 1 é a pontuação do modelo que não tem falsos-positivos para a classe. Para classificação binária, o Data Wrangler relata a precisão da classe positiva.
+ **Recall**: O recall é definido para uma classe específica. Recall é a fração das instâncias de classe relevantes que são recuperadas com sucesso. Recall está no intervalo [0, 1]. 1 é a pontuação do modelo que classifica todas as instâncias da classe corretamente. Para classificação binária, o Data Wrangler relata o recall da classe positiva.
+ **F1**: F1 é definido para uma classe específica. Ele é a média harmônica da precisão e do recall. F1 está no intervalo [0, 1]. 1 é a pontuação do modelo perfeito. Para classificação binária, o Data Wrangler relata o F1 da classe com valores positivos.
------
#### [ Textual patterns ]
**Padrões** descrevem o formato textual de uma string usando um formato fácil de ler. Estes são exemplos de padrões textuais:
+ “\$1digits:4-7\$1” descreve uma sequência de dígitos com um comprimento entre 4 e 7.
+ “\$1alnum:5\$1” descreve uma string alfanumérica com um comprimento de exatamente 5.
O Data Wrangler infere os padrões examinando amostras de strings não vazias de seus dados. Ele pode descrever muitos dos padrões comumente usados. A **confiança** expressa como uma porcentagem indica qual é a estimativa da correspondência dos dados ao padrão. Usando o padrão textual, é possível ver quais linhas de seus dados precisam ser corrigidas ou descartadas.
A seguir, descrevemos os padrões que o Data Wrangler pode reconhecer:
| Padrão | Formato textual |
| --- | --- |
| \$1alnum\$1 | Strings alfanuméricas |
| \$1any\$1 | Qualquer string de caracteres de palavras |
| \$1digits\$1 | Uma sequência de dígitos |
| \$1lower\$1 | Uma palavra minúscula |
| \$1mixed\$1 | Uma palavra com maiúsculas e minúsculas |
| \$1name\$1 | Uma palavra que começa com uma letra maiúscula |
| \$1upper\$1 | Uma palavra maiúscula |
| \$1whitespace\$1 | Caracteres de espaço em branco |
Um caractere de palavra é um sublinhado ou um caractere que pode aparecer em uma palavra em qualquer idioma. Por exemplo, as strings `'Hello_word'` e `'écoute'` ambas consistem em caracteres de palavras. “H” e “é” são exemplos de caracteres de palavras.
------
## Relatório de desvio
SageMaker O Canvas fornece o relatório de viés no Data Wrangler para ajudar a descobrir possíveis vieses em seus dados. O relatório de desvio analisa a relação entre a coluna de destino (rótulo) e uma coluna que você acredita que possa conter desvio (variável facetária). Por exemplo, se você está tentando prever a conversão de clientes, a sua faceta pode ser a idade do cliente. O relatório de desvio pode ajudá-lo a determinar se seus dados são tendenciosos para uma determinada faixa etária.
Para gerar um relatório de desvio no Canvas, faça o seguinte:
1. Em seu fluxo de dados no Data Wrangler, escolha o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) ao lado de um nó no fluxo.
1. No menu de contexto, escolha **Obter insights de dados**.
1. O painel lateral **Criar análise** é aberto. No menu suspenso **Tipo de análise**, selecione **Relatório de desvio**.
1. No campo **Nome da análise**, insira um nome para o relatório de desvio.
1. No menu suspenso **Selecione a coluna que seu modelo prevê (alvo)**, selecione sua coluna de destino.
1. Para **Sua coluna prevista é um valor ou limite?**, selecione **Valor** se sua coluna de destino tiver valores categóricos ou **Limite** se tiver valores numéricos.
1. Em **Valor previsto** (ou **Limite previsto**, dependendo da sua seleção na etapa anterior), insira o valor ou valores da coluna alvo que correspondem a um resultado positivo. Por exemplo, ao prever a conversão do cliente, seu valor pode ser `yes` para indicar que um cliente foi convertido.
1. No menu suspenso **Selecionar a coluna a ser analisada quanto ao desvio**, selecione a coluna que você acredita que possa conter desvio, também conhecida como variável facetária.
1. Para **Sua coluna é um valor ou limite?**, selecione **Valor** se a variável facetária tiver valores categóricos ou **Limite** se tiver valores numéricos.
1. Em **Valor(es) da coluna a serem analisados quanto ao desvio** (ou **Limite da coluna para analisar o desvio**, dependendo da sua seleção na etapa anterior), insira o valor ou os valores que você deseja analisar quanto ao possível desvio. Por exemplo, se você estiver verificando desvio contra clientes acima de uma certa idade, use o início dessa faixa etária como seu limite.
1. Em **Escolher métricas de desvio**, selecione as métricas de desvio que você gostaria de incluir em seu relatório de desvio. Passe o mouse sobre os ícones de informações para obter mais informações sobre cada métrica.
1. (Opcional) Quando solicitado com a opção **Você gostaria de analisar métricas adicionais?**, selecione **Sim** para visualizar e incluir mais métricas de desvio.
1. Quando estiver pronto para criar o relatório de desvio, selecione **Adicionar**.
Depois de gerado, o relatório fornece uma visão geral das métricas de desvio que você selecionou. Você pode visualizar o relatório de desvio a qualquer momento na guia **Análises** do seu fluxo de dados.
## Histograma
Use histogramas para ver as contagens dos valores de um atributo específico. Você pode inspecionar as relações entre os atributos usando a opção **Colorir por**.
Você pode usar **Facetar por** atributo para criar histogramas de uma coluna, para cada valor em outra coluna.
## Gráfico de dispersão
Use o atributo **Gráfico de dispersão** para inspecionar a relação entre os atributos. Para criar um gráfico de dispersão, selecione um atributo para plotar no **eixo X** e no **eixo Y.** Ambas as colunas devem ser colunas de tipo numérico.
Você pode colorir gráficos de dispersão usando uma coluna adicional.
Além disso, você pode facetar gráficos de dispersão por atributos.
## Resumo da tabela
Use a análise de **Resumo da tabela** para resumir rapidamente seus dados.
Para colunas com dados numéricos, incluindo dados de log e flutuantes, um resumo da tabela relata o número de entradas (contagem), mínimo (mínimo), máximo (máximo), média e desvio padrão (stddev) para cada coluna.
Para colunas com dados não numéricos, incluindo colunas com string, booleano ou date/time dados, um resumo da tabela relata o número de entradas (contagem), o valor menos frequente (mínimo) e o valor mais frequente (máximo).
## Modelo rápido
Use a visualização do **Modelo rápido** para avaliar rapidamente seus dados e produzir pontuações de importância para cada atributo. Uma [pontuação de importância de um atributo](http://spark.apache.org/docs/2.1.0/api/python/pyspark.ml.html#pyspark.ml.classification.DecisionTreeClassificationModel.featureImportances) indica a utilidade de um atributo na previsão de um rótulo de destino. A pontuação de importância do atributo está entre [0, 1] e um número maior indica que o atributo é mais importante para todo o conjunto de dados. Na parte superior do gráfico rápido do modelo, há uma pontuação do modelo. Um problema de classificação mostra uma pontuação na F1. Um problema de regressão tem uma pontuação de erro quadrático médio (MSE).
Ao criar um gráfico de modelo rápido, você seleciona um conjunto de dados que deseja avaliar e um rótulo de destino com o qual deseja comparar a importância do atributo. O Data Wrangler faz o seguinte:
+ Infere os tipos de dados para o rótulo de destino e cada atributo no conjunto de dados selecionado.
+ Determina o tipo de problema. Com base no número de valores distintos na coluna do rótulo, o Data Wrangler determina se esse é um tipo de problema de regressão ou classificação. O Data Wrangler define um limite categórico para 100. Se houver mais de 100 valores distintos na coluna do rótulo, o Data Wrangler o classifica como um problema de regressão; caso contrário, ele é classificado como um problema de classificação.
+ Pré-processa os atributos e os dados de rótulos para treinamento. O algoritmo usado necessita codificar os atributos em tipo vetorial e rótulos de codificação em tipo duplo.
+ Treina um algoritmo de floresta aleatório com 70% dos dados. O Spark's [RandomForestRegressor](https://spark.apache.org/docs/latest/ml-classification-regression.html#random-forest-regression)é usado para treinar um modelo para problemas de regressão. O [RandomForestClassifier](https://spark.apache.org/docs/latest/ml-classification-regression.html#random-forest-classifier)é usado para treinar um modelo para problemas de classificação.
+ Avalia um modelo de floresta aleatória com os 30% restantes dos dados. O Data Wrangler avalia modelos de classificação usando uma pontuação F1 e avalia modelos de regressão usando uma pontuação MSE.
+ Calcula a importância do atributo para cada atributo usando o método de importância de Gini.
## Vazamento do destino
O vazamento de destino ocorre quando há dados em um conjunto de dados de treinamento de machine learning que estão fortemente correlacionados com o rótulo de destino, mas não estão disponíveis em dados do mundo real. Por exemplo, você pode ter uma coluna em seu conjunto de dados que serve como proxy para a coluna que você deseja prever com seu modelo.
Ao usar a análise **Vazamento do destino**, você especifica o seguinte:
+ **Destino**: esse é o atributo sobre o qual você deseja que seu modelo de ML seja capaz de fazer predições.
+ **Tipo de problema**: esse é o tipo de problema de ML no qual você está processando. O tipo de problema pode ser **classificação** ou **regressão.**
+ (Opcional) **Máximo de atributos**: esse é o número máximo de atributos a serem apresentados na visualização, que mostra os atributos classificados de acordo com o risco de serem vazamentos de destino.
Para classificação, a análise de vazamento destino usa a área sob o atributo de operação do receptor ou a curva AUC - ROC para cada coluna, até os **Recursos máximos**. Para regressão, ele usa um coeficiente de determinação ou métrica R2.
A curva AUC-ROC fornece uma métrica preditiva, calculada individualmente para cada coluna usando validação cruzada, em uma amostra de aproximadamente até 1000 linhas. Uma pontuação de 1 indica habilidades preditivas perfeitas, o que geralmente indica vazamento do destino. Uma pontuação de 0,5 ou menos indica que as informações na coluna não poderiam fornecer, por si só, nenhuma informação útil para prever o destino. Embora seja possível que uma coluna seja pouco informativa por si só, mas seja útil na previsão do destino quando usada em conjunto com outros atributos, uma pontuação baixa pode indicar que o atributo é redundante.
## Multicolinearidade
A multicolinearidade é uma circunstância em que duas ou mais variáveis preditoras estão relacionadas entre si. As variáveis preditoras são os atributos do seu conjunto de dados que você está usando para prever uma variável destino. Quando você tem multicolinearidade, as variáveis preditoras não são apenas preditivas da variável destino, mas também preditivas umas das outras.
Você pode usar o **Fator de inflação de variância (VIF)**, a **Análise de componentes principais (PCA)** ou a **seleção de atributos Lasso** como medidas para a multicolinearidade em seus dados. Para obter mais informações, consulte.
------
#### [ Variance Inflation Factor (VIF) ]
O Fator de inflação de variância (VIF) é uma medida de colinearidade entre pares de variáveis. O Data Wrangler retorna uma pontuação VIF como uma medida de quão estreitamente as variáveis estão relacionadas entre si. Uma pontuação de VIF é um número positivo que é maior ou igual a 1.
Uma pontuação de 1 significa que a variável não está correlacionada com as outras variáveis. Pontuações maiores que 1 indicam maior correlação.
Teoricamente, você pode ter uma pontuação de VIF com um valor infinito. O Data Wrangler reduz as pontuações mais altas para 50. Se você tiver uma pontuação de VIF maior que 50, o Data Wrangler define a pontuação como 50.
Você pode usar as seguintes diretrizes para interpretar suas pontuações de VIF:
+ Uma pontuação de VIF menor ou igual a 5 indica que as variáveis estão moderadamente correlacionadas com as outras variáveis.
+ Uma pontuação de VIF menor ou igual a 5 indica que as variáveis estão moderadamente correlacionadas com as outras variáveis.
------
#### [ Principle Component Analysis (PCA) ]
A Análise de Componentes Principais (PCA) mede a variação dos dados em diferentes direções no espaço de atributos. O espaço de atributos consiste em todas as variáveis preditoras que você usa para prever a variável destino em seu conjunto de dados.
Por exemplo, se você está tentando prever quem sobreviveu no *RMS Titanic* depois que ele atingiu um iceberg, seu espaço especial pode incluir a idade, o gênero e a tarifa que os passageiros pagaram.
A partir do espaço de atributos, o PCA gera uma lista ordenada de variações. Essas variações também são conhecidas como valores singulares. Os valores na lista de variâncias são maiores ou iguais a 0. Podemos usá-los para determinar quanta multicolinearidade existe em nossos dados.
Quando os números são aproximadamente uniformes, os dados têm pouquíssimas instâncias de multicolinearidade. Quando há muita variabilidade entre os valores, temos muitas instâncias de multicolinearidade. Antes de executar o PCA, o Data Wrangler normaliza cada atributo para ter uma média de 0 e um desvio padrão de 1.
**nota**
O PCA nessa circunstância também pode ser chamado de Decomposição de Valor Singular (SVD).
------
#### [ Lasso feature selection ]
A seleção de atributos do Lasso usa a técnica de regularização L1 para incluir apenas os atributos mais preditivos em seu conjunto de dados.
Tanto para classificação quanto para regressão, a técnica de regularização gera um coeficiente para cada atributo. O valor absoluto do coeficiente fornece uma pontuação de importância para o atributo. Uma pontuação de importância mais alta indica que é mais preditiva da variável-destino. Um método comum de seleção de atributos é utilizar todas os atributos que têm um coeficiente lasso não nulo.
------
## Detectar anomalias em dados de séries temporais
Você pode usar a visualização de detecção de anomalias para ver valores discrepantes em seus dados de séries temporais. Para entender o que determina uma anomalia, você precisa entender que decompomos a série temporal em um termo previsto e um termo de erro. Tratamos a sazonalidade e a tendência da série temporal como o termo previsto. Tratamos os resíduos como o termo de erro.
Para o termo de erro, você especifica um limite como o número de desvios padrão que o resíduo pode afastar da média para que seja considerado uma anomalia. Por exemplo, é possível especificar um limite como sendo 3 desvios padrão. Qualquer resíduo maior que 3 desvios padrão da média é uma anomalia.
Você pode usar o procedimento a seguir para realizar uma análise de **detecção de anomalias**.
1. Abra seu fluxo de dados do Data Wrangler.
1. No seu fluxo de dados, em **Tipos de dados**, escolha o **\$1** e selecione **Adicionar análise**.
1. Para **Tipo de análise**, escolha **Séries temporais**.
1. Para **Visualização**, escolha **Detecção de anomalias**.
1. Em **Limite de anomalia**, escolha o limite em que um valor é considerado uma anomalia.
1. Escolha **Visualizar** para gerar uma visualização prévia da análise.
1. Escolha **Adicionar** para adicionar a transformação ao fluxo de dados do Data Wrangler.
## Decomposição de tendências sazonais em dados de séries temporais
Você pode determinar se há sazonalidade em seus dados de séries temporais usando a visualização de Decomposição de tendências sazonais. Usamos o método STL (Decomposição de tendência sazonal usando LOESS) para realizar a decomposição. Decompomos a série temporal em seus componentes sazonais, de tendência e residuais. A tendência reflete a progressão a longo prazo da série. O componente sazonal é um sinal que se repete em um período de tempo. Depois de remover a tendência e os componentes sazonais da série temporal, você tem o resíduo.
Você pode usar o procedimento a seguir para realizar uma análise de decomposição de **tendência sazonal**.
1. Abra seu fluxo de dados do Data Wrangler.
1. No seu fluxo de dados, em **Tipos de dados**, escolha o **\$1** e selecione **Adicionar análise**.
1. Para **Tipo de análise**, escolha **Séries temporais**.
1. Para **Visualização**, escolha **Decomposição de tendências sazonais**.
1. Em **Limite de anomalia**, escolha o limite em que um valor é considerado uma anomalia.
1. Escolha **Visualizar** para gerar uma visualização prévia da análise.
1. Escolha **Adicionar** para adicionar a transformação ao fluxo de dados do Data Wrangler.
## Criar visualizações personalizadas
Você pode adicionar uma análise ao seu fluxo do Data Wrangler para criar uma visualização personalizada. [Seu conjunto de dados, com todas as transformações que você aplicou, está disponível como Pandas. DataFrame](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.html) O Data Wrangler usa a variável `df` para armazenar o quadro de dados. Você acessa o quadro de dados chamando a variável.
Você deve fornecer a variável de saída, `chart`, para armazenar um gráfico de saída do [Altair](https://altair-viz.github.io/). Por exemplo, você pode usar o seguinte bloco de código para criar um histograma personalizado usando o conjunto de dados do Titanic:
```
import altair as alt
df = df.iloc[:30]
df = df.rename(columns={"Age": "value"})
df = df.assign(count=df.groupby('value').value.transform('count'))
df = df[["value", "count"]]
base = alt.Chart(df)
bar = base.mark_bar().encode(x=alt.X('value', bin=True, axis=None), y=alt.Y('count'))
rule = base.mark_rule(color='red').encode(
x='mean(value):Q',
size=alt.value(5))
chart = bar + rule
```
**Para criar uma visualização personalizada:**
1. Ao lado do nó que contém a transformação que você gostaria de visualizar, escolha o **\$1**.
1. Escolha **Adicionar análise**.
1. Em **Tipo de análise**, escolha **Visualização personalizada**.
1. Em **Nome da análise**, especifique um nome.
1. Insira seu código na caixa do código.
1. Escolha **Visualizar** para visualizar sua visualização.
1. Escolha **Salvar** para adicionar sua visualização.
Se você não souber como usar o pacote de visualização Altair em Python, você pode usar trechos de código personalizados para ajudá-lo a começar.
Data Wrangler possui uma coleção pesquisável de trechos de código de visualização. Para usar um trecho de visualização, escolha **Pesquisar trechos de exemplo** e especifique uma consulta na barra de pesquisa.
O exemplo a seguir usa o trecho de código para um **gráfico de dispersão com bins**. Traça um histograma para 2 dimensões.
Os trechos de código possuem comentários para ajudar você a entender as alterações que precisa fazer no código. Normalmente, é necessário especificar os nomes das colunas do seu conjunto de dados no código.
```
import altair as alt
# Specify the number of top rows for plotting
rows_number = 1000
df = df.head(rows_number)
# You can also choose bottom rows or randomly sampled rows
# df = df.tail(rows_number)
# df = df.sample(rows_number)
chart = (
alt.Chart(df)
.mark_circle()
.encode(
# Specify the column names for binning and number of bins for X and Y axis
x=alt.X("col1:Q", bin=alt.Bin(maxbins=20)),
y=alt.Y("col2:Q", bin=alt.Bin(maxbins=20)),
size="count()",
)
)
# :Q specifies that label column has quantitative type.
# For more details on Altair typing refer to
# https://altair-viz.github.io/user_guide/encoding.html#encoding-data-types
```
# transformar dados
O Amazon SageMaker Data Wrangler fornece várias transformações de dados de ML para simplificar a limpeza e a caracterização de seus dados. Usando as ferramentas interativas de preparação de dados no Data Wrangler, você pode amostrar conjuntos de dados de qualquer tamanho com uma variedade de técnicas de amostragem e começar a explorar seus dados em questão de minutos. Depois de finalizar suas transformações de dados nos dados amostrados, você pode escalar o fluxo de dados para aplicar essas transformações a todo o conjunto de dados.
Quando você adiciona uma transformação, ela adiciona uma etapa ao fluxo de dados. Cada transformação que você adiciona modifica seu conjunto de dados e gera um novo dataframe. Todas as transformações subsequentes se aplicam ao dataframe resultante.
O Data Wrangler inclui transformações embutidas, que você pode usar para transformar colunas sem a necessidade de código. Se você sabe como quer preparar seus dados, mas não sabe como começar ou quais transformações usar, você pode usar o atributo de chat para preparação de dados para interagir conversacionalmente com o Data Wrangler e aplicar transformações usando linguagem natural. Para obter mais informações, consulte [Chat para preparação de dados](canvas-chat-for-data-prep.md).
Você também pode adicionar transformações personalizadas usando PySpark Python (função definida pelo usuário), pandas e SQL. PySpark Algumas transformações operam no local, enquanto outras criam uma nova coluna de saída no seu conjunto de dados.
Você pode aplicar transformações em várias colunas ao mesmo tempo. Por exemplo, você pode excluir várias colunas em uma única etapa.
Você pode aplicar o **processo numérico** e **lidar com as transformações ausentes** somente em uma única coluna.
Use esta página para saber mais sobre essas transformações integradas e personalizadas.
## Unir conjuntos de dados
Você pode unir conjunto de dados diretamente em seu fluxo de dados. Quando você associa dois conjuntos de dados, o conjunto resultante aparece no seu fluxo. Os seguintes tipos de união são compatíveis com o Data Wrangler:
+ **Externo esquerdo** - Inclua todas as linhas da tabela esquerda. Se o valor para a coluna na qual a associação foi feita em uma linha da tabela da esquerda não corresponder a nenhum valor nas linhas da tabela da direita, essa linha conterá valores nulos para todas as colunas da tabela da direita na tabela resultante.
+ **Anti esquerdo**: Inclui linhas da tabela à esquerda que não contêm valores na tabela à direita para a coluna unida.
+ **Semi esquerda**: Inclui uma única linha da tabela à esquerda para todas as linhas idênticas que atendem aos critérios na instrução de união. Isso exclui linhas duplicadas da tabela à esquerda que correspondam aos critérios da união.
+ **Externo direito**: Inclua todas as linhas da tabela à direita. Se o valor da coluna unida em uma linha direita da tabela não corresponder a nenhum valor da linha esquerda da tabela, essa linha conterá valores nulos para todas as colunas da tabela esquerda na tabela unida.
+ **Interno** - Inclua linhas das tabelas esquerda e direita que contêm valores correspondentes na coluna unida.
+ **Exterior completo**: Inclua todas as linhas das tabelas esquerda e direita. Se o valor da linha para a coluna de união em qualquer uma das tabelas não coincidir, linhas separadas são criadas na tabela resultante da união. Se uma linha não tiver um valor para uma coluna na tabela unida, será inserido um valor nulo para essa coluna.
+ **Produto Cartesiano** - Inclui as linhas que combinam cada linha da primeira tabela com cada linha da segunda tabela. Esse é um [produto cartesiano](https://en.wikipedia.org/wiki/Cartesian_product) de linhas de tabelas na união. O resultado desse produto é o tamanho da tabela da esquerda multiplicado pelo tamanho da tabela da direita. Portanto, recomendamos cautela ao usar essa união entre conjuntos de dados muito grandes.
Use o procedimento a seguir para unir dois conjuntos de dados. Você já deve ter importado duas fontes de dados para o seu fluxo de dados.
1. Selecione o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) ao lado do nó esquerdo que você deseja unir. O primeiro nó que você seleciona é sempre a tabela à esquerda em sua união.
1. Passe o mouse sobre **Combinar dados** e escolha **Unir**.
1. Selecione o nó correto. O segundo nó que você seleciona é sempre a tabela à direita em sua união.
1. O campo **Tipo de união** é definido como **Associação interna** por padrão. Selecione o menu suspenso para alterar o tipo de união.
1. Em **Chaves de união**, verifique as colunas das tabelas esquerda e direita que você deseja usar para unir os dados. É possível adicionar ou remover chaves de junção adicionais.
1. Em **Nome da junção**, insira um nome para os dados unidos ou use o nome padrão.
1. (Opcional) Escolha **Visualizar** para visualizar os dados unidos.
1. Escolha **Adicionar** para concluir a união.
**nota**
Se você receber um aviso de que o Canvas não identificou nenhuma linha correspondente ao unir seus dados, recomendamos que você verifique se selecionou as colunas corretas ou atualize sua amostra para tentar encontrar linhas correspondentes. Você pode escolher uma estratégia de amostragem diferente ou alterar o tamanho da amostra. Para obter informações sobre como editar a amostra, consulte [Edite a configuração de amostragem do fluxo de dados](canvas-data-flow-edit-sampling.md).
Agora você deve ver um nó de junção adicionado ao seu fluxo de dados.
## Concatenar conjuntos de dados
A concatenação combina dois conjuntos de dados anexando as linhas de um conjunto de dados a outro.
Use o procedimento a seguir para se conectar aos dois conjuntos de dados. Você já deve ter importado duas fontes de dados para o seu fluxo de dados.
**Concatenar dois conjuntos de dados:**
1. Selecione o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) ao lado do nó esquerdo que você deseja unir. O primeiro nó que você seleciona é sempre a tabela à esquerda em sua união.
1. Passe o mouse sobre **Combinar dados** e escolha **Concatenar**.
1. Selecione o nó correto. O segundo nó que você seleciona é sempre a tabela à direita em sua união.
1. (Opcional) Marque a caixa de seleção ao lado de **Remover duplicatas após a concatenação** para remover colunas duplicadas.
1. (Opcional) Marque a caixa de seleção ao lado de **Adicionar coluna para indicar o dataframe de origem** para adicionar uma coluna ao dataframe resultante que lista o conjunto de dados de origem para cada registro.
1. Em **Nome da coluna Indicador**, insira um nome para a coluna adicionada.
1. **Em Primeiro conjunto de dados indicando a sequência de caracteres**, insira o valor que você deseja usar para marcar registros do primeiro conjunto de dados (ou do nó esquerdo).
1. Para **Segundo conjunto de dados indicando string**, insira o valor que você deseja usar para marcar registros do segundo conjunto de dados (ou do nó direito).
1. Em **Nome da concatenação**, insira um nome para a concatenação.
1. (Opcional) Escolha **Visualizar** para visualizar os dados concatenados.
1. Escolha **Adicionar** para adicionar um novo conjunto de dados ao seu fluxo de dados.
Agora você deve ver um nó concatenado adicionado ao seu fluxo de dados.
## Dados da balança
Você pode equilibrar os dados dos conjuntos de dados com uma categoria sub-representada. O balanceamento de um conjunto de dados pode ajudar você a criar modelos melhores para classificação binária.
**nota**
Você não pode balancear conjuntos de dados contendo vetores de coluna.
Você pode usar a operação **Balancear dados** para equilibrar seus dados usando um dos seguintes operadores:
+ *Sobreamostragem aleatória*: Duplica aleatoriamente amostras na categoria minoritária. Por exemplo, se você está tentando detectar fraudes, talvez só tenha casos de fraude em 10% dos seus dados. Para uma proporção igual de casos fraudulentos e não fraudulentos, esse operador duplica aleatoriamente os casos de fraude no conjunto de dados 8 vezes.
+ *Subamostragem aleatória*: Aproximadamente equivalente à sobreamostragem aleatória. Remove aleatoriamente amostras da categoria super-representada para obter a proporção de amostras desejada.
+ *Técnica de Oversampling Sintético de Minorias (SMOTE)*: Usa amostras da categoria sub-representada para interpolar novas amostras sintéticas de minorias. Para obter mais informações sobre o SMOTE, consulte a descrição a seguir.
Você pode usar todas as transformações para conjuntos de dados contendo atributos numéricos e não numéricos. O SMOTE interpola valores usando amostras vizinhas. O Data Wrangler utiliza a distância R-quadrado para determinar o entorno no qual interpolar as amostras adicionais. O Data Wrangler usa somente atributos numéricos para calcular as distâncias entre amostras no grupo sub-representado.
Para dois exemplos reais no grupo sub-representado, o Data Wrangler interpola os atributos numéricos usando uma média ponderada. Ele atribui pesos aleatoriamente a essas amostras na faixa de [0, 1]. Para atributos numéricos, o Data Wrangler interpola amostras usando uma média ponderada das amostras. Para as amostras A e B, o Data Wrangler pode atribuir aleatoriamente um peso de 0,7 a A e 0,3 a B. A amostra interpolada tem um valor de 0,7A \$1 0,3B.
O Data Wrangler interpola atributos não numéricos copiando de qualquer uma das amostras reais interpoladas. Ele copia as amostras com uma probabilidade que é atribuída aleatoriamente a cada amostra. Para as amostras A e B, ele pode atribuir probabilidades de 0,8 a A e 0,2 a B. Para as probabilidades atribuídas, ele copia A 80% das vezes.
## Transformações personalizadas
O grupo **Transformações personalizadas** permite que você use Python (função definida pelo usuário) PySpark, pandas PySpark ou (SQL) para definir transformações personalizadas. Para todas as três opções, você usa a variável `df` para acessar o dataframe ao qual deseja aplicar a transformação. Para aplicar seu código personalizado ao seu dataframe, atribua ao dataframe as transformações que você fez na variável `df`. Se você não estiver usando Python (função definida pelo usuário), você não precisará incluir uma instrução de retorno. Escolha **Visualizar** para visualizar o resultado da transformação personalizada. Escolha **Adicionar** para adicionar a transformação personalizada à sua lista de **etapas anteriores**.
Você pode importar as bibliotecas mais conhecidas com uma `import` instrução no bloco de código de transformação personalizado, como a seguinte:
+ NumPy versão 1.19.0
+ scikit-learn versão 0.23.2
+ SciPy versão 1.5.4
+ pandas versão 1.0.3
+ PySpark versão 3.0.0
**Importante**
A opção **Personalizar transformação** não é compatível com colunas com espaços ou caracteres especiais no nome. Recomendamos que você especifique nomes de colunas que tenham somente caracteres alfanuméricos e sublinhados. Você pode usar a transformação **Renomear coluna** no grupo **Gerenciar transformação de colunas** para remover espaços do nome de uma coluna. Você também pode adicionar uma **transformação personalizada** em **Python (Pandas)** semelhante à seguinte para remover espaços de várias colunas em uma única etapa: Este exemplo altera as colunas nomeadas `A column` e `B column` para `A_column` e `B_column` respectivamente.
```
df.rename(columns={"A column": "A_column", "B column": "B_column"})
```
Se você incluir instruções de impressão no bloco de código, o resultado será exibido quando você selecionar **Visualizar**. Você pode redimensionar o painel do transformador de código personalizado. O redimensionamento do painel fornece mais espaço para escrever código.
As seções a seguir fornecem contexto adicional e exemplos para escrever código de transformação personalizado.
**Python (função definida pelo usuário)**
A função Python oferece a capacidade de escrever transformações personalizadas sem precisar conhecer o Apache Spark ou os pandas. O Data Wrangler é otimizado para executar seu código personalizado rapidamente. Você obtém desempenho semelhante usando código Python personalizado e um plug-in Apache Spark.
Para usar o bloco de código Python (função definida pelo usuário), você especifica o seguinte:
+ **Coluna de entrada**: A coluna de entrada na qual você está aplicando a transformação.
+ **Modo**: O modo de script, pandas ou Python.
+ **Tipo de retorno**: O tipo de dados do valor que você está retornando.
Usar o modo pandas oferece melhor desempenho. O modo Python facilita a escrita de transformações ao permitir o uso de funções puramente em Python.
**PySpark**
O exemplo a seguir extrai data e hora de um timestamp.
```
from pyspark.sql.functions import from_unixtime, to_date, date_format
df = df.withColumn('DATE_TIME', from_unixtime('TIMESTAMP'))
df = df.withColumn( 'EVENT_DATE', to_date('DATE_TIME')).withColumn(
'EVENT_TIME', date_format('DATE_TIME', 'HH:mm:ss'))
```
**pandas**
O exemplo a seguir fornece uma visão geral do dataframe ao qual você está adicionando transformações.
```
df.info()
```
**PySpark (SQL)**
O seguinte exemplo cria um novo dataframe com quatro colunas: *nome*, *tarifa*, *classe*, *sobreviveu*.
```
SELECT name, fare, pclass, survived FROM df
```
Se você não sabe como usar PySpark, pode usar trechos de código personalizados para ajudar você a começar.
O Data Wrangler tem uma coleção que pode ser pesquisada de trechos de código. Você pode usar trechos de código para realizar tarefas como descartar colunas, agrupar por colunas ou modelar.
Para usar um trecho de código, escolha **Pesquisar trechos de exemplo** e especifique uma consulta na barra de pesquisa. O texto especificado na consulta não precisa corresponder exatamente ao nome do trecho de código.
O exemplo a seguir mostra um trecho de código Excluir **linhas duplicadas** que pode excluir linhas com dados semelhantes no seu conjunto de dados. Você pode encontrar o trecho de código pesquisando uma das seguintes opções:
+ Duplica
+ Idêntico
+ Remover
O trecho a seguir tem comentários para ajudar você a entender as alterações que você precisa fazer. Para a maioria dos trechos, você deve especificar os nomes das colunas do seu conjunto de dados no código.
```
# Specify the subset of columns
# all rows having identical values in these columns will be dropped
subset = ["col1", "col2", "col3"]
df = df.dropDuplicates(subset)
# to drop the full-duplicate rows run
# df = df.dropDuplicates()
```
Para usar um trecho, copie e cole seu conteúdo no campo **Transformação personalizada**. Você pode copiar e colar vários trechos de código no campo de transformação personalizado.
## Personalizar fórmula
Use a opção **Personalizar fórmula** para definir uma nova coluna usando uma expressão do Spark SQL para consultar dados no dataframe atual. A consulta deve usar as convenções das expressões SQL do Spark.
**Importante**
A opção **Personalizar transformação** não é compatível com colunas com espaços ou caracteres especiais no nome. Recomendamos que você especifique nomes de colunas que tenham somente caracteres alfanuméricos e sublinhados. Você pode usar a transformação **Renomear coluna** no grupo **Gerenciar transformação de colunas** para remover espaços do nome de uma coluna. Você também pode adicionar uma **transformação personalizada** em **Python (Pandas)** semelhante à seguinte para remover espaços de várias colunas em uma única etapa: Este exemplo altera as colunas nomeadas `A column` e `B column` para `A_column` e `B_column` respectivamente.
```
df.rename(columns={"A column": "A_column", "B column": "B_column"})
```
Você pode usar essa transformação para realizar operações em colunas, referenciando as colunas pelo nome. Por exemplo, supondo que o dataframe atual contenha colunas chamadas *col\$1a* e *col\$1b*, você pode usar a operação a seguir para produzir uma **coluna de saída** que seja o produto dessas duas colunas com o código a seguir:
```
col_a * col_b
```
Outras operações comuns incluem as seguintes, supondo que um dataframe contenha `col_a` colunas: `col_b`
+ Concatene duas colunas: `concat(col_a, col_b)`
+ Adicione duas colunas: `col_a + col_b`
+ Subtraia duas colunas: `col_a - col_b`
+ Divida duas colunas: `col_a / col_b`
+ Pegue o valor absoluto de uma coluna: `abs(col_a)`
Para obter mais informações, consulte a [documentação do Spark](http://spark.apache.org/docs/latest/api/python) sobre a seleção de dados.
## Reduza a dimensionalidade em um conjunto de dados
Reduza a dimensionalidade em seus dados usando a Análise de Componentes Principais (PCA). A dimensionalidade do seu conjunto de dados corresponde ao número de atributos. Ao usar a redução de dimensionalidade no Data Wrangler, você obtém um novo conjunto de atributos chamados componentes. Cada componente é responsável por alguma variabilidade nos dados.
O primeiro componente é responsável pela maior quantidade de variação nos dados. O segundo componente é responsável pela segunda maior variação nos dados e assim por diante.
Você pode usar a redução de dimensionalidade para diminuir o tamanho dos conjuntos de dados usados para treinar modelos. Em vez de usar os atributos do seu conjunto de dados, você pode usar os componentes principais.
Para realizar o PCA, o Data Wrangler cria eixos para seus dados. Um eixo é uma combinação afim de colunas no seu conjunto de dados. O primeiro componente principal é o valor no eixo que tem a maior quantidade de variância. O segundo componente principal é o valor no eixo que possui a segunda maior quantidade de variação. O enésimo componente principal é o valor no eixo que possui a enésima maior quantidade de variação.
Você pode configurar o número de componentes principais que o Data Wrangler retorna. Você pode especificar diretamente o número de componentes principais ou especificar a porcentagem do limite de variação. Cada componente principal explica uma quantidade de variação nos dados. Por exemplo, você pode ter um componente principal com um valor de 0,5. O componente explicaria 50% da variação nos dados. Quando você especifica uma porcentagem de limite de variação, o Data Wrangler retorna o menor número de componentes que atendem à porcentagem especificada.
A seguir estão exemplos de componentes principais com a quantidade de variação que eles explicam nos dados.
+ Componente 1: 0,5
+ Componente 2: 0,45
+ Componente 3: 0,05
Se você especificar uma porcentagem de limite de variação de `94` ou `95`, o Data Wrangler retornará o Componente 1 e o Componente 2. Se você especificar uma porcentagem de limite de variação de `96`, o Data Wrangler retornará todos os três componentes principais.
É possível usar o procedimento a seguir para executar o PCA em seu conjunto de dados.
Para executar o PCA em seu conjunto de dados, faça o seguinte:
1. Abra seu fluxo de dados do Data Wrangler.
1. Escolha o **\$1** e selecione **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Escolha **Redução de Dimensionalidade.**
1. Em **Colunas de entrada**, escolha os atributos que você está reduzindo aos componentes principais.
1. (Opcional) Em **Número de componentes principais**, escolha o número de componentes principais que o Data Wrangler retorna em seu conjunto de dados. Se especificar um valor para o campo, você não poderá especificar um valor para a porcentagem do **limite de variação**.
1. (Opcional) Para **Porcentagem do limite de variação**, especifique a porcentagem de variação nos dados que você deseja explicar pelos componentes principais. O Data Wrangler usará o valor padrão de `95` se você não especificar um valor para o limite de variância. Você não pode especificar uma porcentagem de limite de variação se tiver especificado um valor para **Número de componentes principais**.
1. (Opcional) Desmarque a opção **Centralizar** para não usar a média das colunas como centro dos dados. Por padrão, o Data Wrangler centraliza os dados com a média antes do escalonamento.
1. (Opcional) Desmarque a opção **Escalar** para não dimensionar os dados com o desvio padrão da unidade.
1. (Opcional) Escolha **Colunas** para produzir os componentes em colunas separadas. Escolha **Vetor** para gerar os componentes como um único vetor.
1. (Opcional) Em **Coluna de saída**, especifique um nome para uma coluna de saída. Se você estiver enviando os componentes em colunas separadas, o nome especificado será um prefixo. Se você estiver enviando os componentes para um vetor, o nome especificado será o nome da coluna vetorial.
1. (Opcional) Selecione **Manter colunas de entrada**. Não recomendamos selecionar essa opção se você planeja usar apenas os componentes principais para treinar seu modelo.
1. Escolha **Pré-visualizar**.
1. Escolha **Adicionar**.
## Codificar categórico
Os dados categóricos geralmente são compostos por um número finito de categorias, onde cada categoria é representada por um segmento. Por exemplo, se você tiver uma tabela de dados de clientes, uma coluna que indica o país em que a pessoa mora é categórica. As categorias seriam *Afeganistão*, *Albânia*, *Argélia* e assim por diante. Os dados categóricos podem ser *nominais* ou *ordinais*. As categorias ordinais têm uma ordem inerente e as categorias nominais não. O grau mais *alto obtido (ensino médio*, *bacharelado*, *mestrado*, etc.) é um exemplo de categorias ordinais.
A codificação de dados categóricos é o processo de criação de uma representação numérica para categorias. Por exemplo, se suas categorias são *Cachorro* e *Gato*, você pode codificar essas informações em dois vetores, `[1,0]` para representar *Cachorro* e `[0,1]` para representar *Gato*.
Ao codificar categorias ordinais, talvez seja necessário traduzir a ordem natural das categorias em sua codificação. Por exemplo, você pode representar o grau mais alto obtido com o seguinte mapa: `{"High school": 1, "Bachelors": 2, "Masters":3}`.
Use codificação categórica para codificar dados categóricos que estão no formato de segmento em matrizes de números inteiros.
Os codificadores categóricos do Data Wrangler criam codificações para todas as categorias que existem em uma coluna no momento em que a etapa é definida. Se novas categorias foram adicionadas a uma coluna quando você inicia uma tarefa do Data Wrangler para processar seu conjunto de dados no momento *t*, e essa coluna foi a entrada para uma transformação da codificação categórica do Data Wrangler no momento *t*-1, essas novas categorias serão consideradas *ausentes* na tarefa do Data Wrangler. A opção selecionada para **Estratégia de tratamento inválida** é aplicada a esses valores ausentes. Exemplos de quando isso pode ocorrer são:
+ Quando você usa um arquivo.flow para criar uma tarefa do Data Wrangler para processar um conjunto de dados que foi atualizado após a criação do fluxo de dados. Por exemplo, você pode usar um fluxo de dados para processar regularmente os dados de vendas a cada mês. Se esses dados de vendas forem atualizados semanalmente, novas categorias poderão ser introduzidas em colunas para as quais uma etapa categórica de codificação é definida.
+ Quando você seleciona **Amostragem** ao importar seu conjunto de dados, algumas categorias podem ser deixadas de fora da amostra.
Nessas situações, essas novas categorias são consideradas valores ausentes no trabalho do Data Wrangler.
Você pode escolher e configurar uma codificação *ordinal* e uma codificação *única.* Use as seguintes seções para saber mais sobre essas opções:
Ambas as transformações criam uma nova coluna chamada **Nome da coluna de saída**. Você especifica o formato de saída dessa coluna com o **estilo de saída**:
+ Selecione **Vetor** para produzir uma única coluna com um vetor esparso.
+ Selecione **Colunas** para criar uma coluna para cada categoria com uma variável indicadora para determinar se o texto na coluna original contém um valor igual a essa categoria.
### Codificação ordinal
Selecione Codificação **ordinal para codificar** categorias em um número inteiro entre 0 e o número total de categorias na coluna de **entrada** selecionada.
**Estratégia de tratamento inválida**: selecione um método para lidar com valores inválidos ou ausentes.
+ Escolha **Ignorar** se quiser omitir as linhas com valores ausentes.
+ Escolha **Manter** para reter os valores ausentes como a última categoria.
+ Escolha **Erro** se quiser que o Data Wrangler gere um erro se forem encontrados valores ausentes na **coluna de entrada**.
+ Escolha **Substituir por NaN** para substituir o ausente por NaN. Essa opção é recomendada se seu algoritmo de ML puder processar valores ausentes. Caso contrário, as três primeiras opções dessa lista podem produzir melhores resultados.
### Codificação One-Hot
Selecione **Codificação única** para **Transformar** para usar a codificação única. Configure essa transformação usando o seguinte:
+ **Eliminar a última categoria**: se `True` a última categoria não tiver um índice correspondente na codificação one-hot. Quando valores ausentes são possíveis, uma categoria ausente é sempre a última e definir isso `True` significa que um valor ausente resulta em um vetor totalmente zero.
+ **Estratégia de tratamento inválida**: selecione um método para lidar com valores inválidos ou ausentes.
+ Escolha **Ignorar** se quiser omitir as linhas com valores ausentes.
+ Escolha **Manter** para reter os valores ausentes como a última categoria.
+ Escolha **Erro** se quiser que o Data Wrangler gere um erro se forem encontrados valores ausentes na **coluna de entrada**.
+ **A entrada é codificada ordinalmente**: selecione essa opção se o vetor de entrada contiver dados codificados ordinais. Essa opção exige que os dados de entrada contenham números inteiros não negativos. Se **Verdadeiro**, a entrada *i* é codificada como um vetor com um valor diferente de zero no *local i.*
### Codificação de similaridade
Use a codificação de similaridade quando você tiver o seguinte:
+ Um grande número de variáveis categóricas
+ Dados ruidosos
O codificador de similaridade cria incorporações para colunas com dados categóricos. Uma incorporação é uma correspondência de objetos discretos, como palavras, para vetores de números reais. Codifica segmentos semelhantes em vetores contendo valores semelhantes. Por exemplo, ele cria codificações muito semelhantes para “California” e “Calfornia”.
O Data Wrangler converte cada categoria em seu conjunto de dados em um conjunto de tokens usando um tokenizador de 3 gramas. Ele converte os tokens em uma incorporação usando a codificação min-hash.
As codificações de similaridade que o Data Wrangler cria:
+ Têm baixa dimensionalidade
+ São escaláveis para um grande número de categorias
+ São robustos e resistentes ao ruído
Pelas razões anteriores, a codificação por similaridade é mais versátil do que a codificação one-hot.
Para adicionar a transformação de codificação de similaridade ao seu conjunto de dados, use o procedimento a seguir.
Para usar a codificação de similaridade, faça o seguinte:
1. Faça login no [Amazon SageMaker AI Console](https://console.aws.amazon.com/sagemaker/).
1. Escolha **Abrir Studio Classic**.
1. Escolha **Iniciar aplicação**.
1. Escolha **Studio**.
1. Especifique seu fluxo de dados.
1. Escolha uma etapa com uma transformação.
1. Escolha **Adicionar etapa**.
1. Escolha **Codificar categórico**.
1. Especifique o seguinte:
+ **Transformação**: **Codificação por similaridade**
+ **Coluna de entrada**: A coluna que contém os dados categóricos que você está codificando.
+ **Dimensão de destino**: (Opcional) A dimensão do vetor de incorporação categórica. O valor padrão é 30. Recomendamos usar uma dimensão alvo maior se você tiver um grande conjunto de dados com muitas categorias.
+ **Estilo de saída**: Escolha **Vetor** para um único vetor com todos os valores codificados. Escolha **Coluna** para ter os valores codificados em colunas separadas.
+ **Coluna de saída**: (Opcional) O nome da coluna de saída para uma saída codificada em vetor. Para uma saída codificada em coluna, esse é o prefixo dos nomes das colunas seguido pelo número listado.
## Caracterizar texto
Use o grupo de transformação **Caracterizar texto** para inspecionar colunas digitadas por segmento e use a incorporação de texto para destacar essas colunas.
Esse grupo de atributos contém dois atributos, *estatísticas de caracteres* e *vetorização*. Use as seções a seguir para saber mais sobre essas transformações. Para ambas as opções, a **coluna de entrada** deve conter dados de texto (tipo segmento).
### Estatísticas de personagens
Use **estatísticas de caracteres** para gerar estatísticas para cada linha em uma coluna contendo dados de texto.
Essa transformação calcula as seguintes proporções e contagens para cada linha e cria uma nova coluna para relatar o resultado: A nova coluna é nomeada usando o nome da coluna de entrada como um prefixo e um sufixo específico da proporção ou contagem.
+ **Número de palavras**: o número total de palavras nessa linha. O sufixo dessa coluna de saída é`-stats_word_count`.
+ **Número de caracteres**: o número total de caracteres nessa linha. O sufixo dessa coluna de saída é`-stats_char_count`.
+ **Proporção maior**: o número de caracteres maiúsculos, de A a Z, dividido por todos os caracteres na coluna. O sufixo dessa coluna de saída é`-stats_capital_ratio`.
+ **Proporção menor**: o número de caracteres minúsculos, de a a z, dividido por todos os caracteres da coluna. O sufixo dessa coluna de saída é `-stats_lower_ratio`.
+ **Proporção de dígitos**: A proporção de dígitos em uma única linha sobre a soma dos dígitos na coluna de entrada. O sufixo dessa coluna de saída é`-stats_digit_ratio`.
+ **Proporção de caracteres especiais**: a proporção de caracteres não alfanuméricos (como \$1\$1&%:@) em relação à soma de todos os caracteres na coluna de entrada. O sufixo dessa coluna de saída é `-stats_special_ratio`.
### Vetorizar
A incorporação de texto envolve o mapeamento de palavras ou frases de um vocabulário para vetores de números reais. Use a transformação de incorporação de texto do Data Wrangler para tokenizar e vetorizar dados de texto em vetores de frequência de documento inversa de frequência de termo (TF-IDF).
Quando o TF-IDF é calculado para uma coluna de dados de texto, cada palavra de cada frase é convertida em um número real que representa sua importância semântica. Números mais altos estão associados a palavras menos frequentes, que tendem a ser mais significativas.
Quando você define uma etapa de transformação **Vetorizar**, o Data Wrangler usa os dados em seu conjunto de dados para definir o vetorizador de contagem e os métodos TF-IDF. A execução de um trabalho do Data Wrangler usa esses mesmos métodos.
Você configura essa transformação usando o seguinte:
+ **Nome da coluna de saída**: essa transformação cria uma nova coluna com a incorporação do texto. Use esse campo para especificar um nome para essa coluna de saída.
+ **Tokenizador**: um tokenizador converte a frase em uma lista de palavras ou *tokens*.
Escolha **Padrão** para usar um tokenizador que divide por espaço em branco e converte cada palavra em minúsculas. Por exemplo, `"Good dog"` é tokenizado para `["good","dog"]`.
Escolha **Personalizar** para usar um tokenizador personalizado. Se você escolher **Personalizar**, poderá usar os seguintes campos para configurar o tokenizador:
+ **Tamanho mínimo do token**: o tamanho mínimo, em caracteres, para que um token seja válido. O padrão é `1`. Por exemplo, se você especificar `3` o tamanho mínimo do token, palavras como `a, at, in` são retiradas da frase tokenizada.
+ O **regex deve ser dividido em lacunas**: Se selecionado, o **regex** divide em lacunas. Caso contrário, ele corresponderá aos tokens. O padrão é `True`.
+ **Padrão Regex**: o padrão que define o processo de tokenização. O padrão é `' \\ s+'`.
+ **Para minúsculas**: se escolhido, o Data Wrangler converte todos os caracteres em minúsculas antes da tokenização. O padrão é `True`.
Para saber mais, consulte a documentação do Spark sobre o [Tokenizer](https://spark.apache.org/docs/latest/ml-features#tokenizer).
+ **Vetorizador**: o vetorizador converte a lista de tokens em um vetor numérico esparso. Cada token corresponde a um índice no vetor e um valor diferente de zero indica a existência do token na frase de entrada. Você pode escolher entre duas opções de vetorização, *Count* e *Hashing*.
+ A **vetorização de contagem** permite personalizações que filtram tokens pouco frequentes ou muito comuns. Os **parâmetros de vetorização de contagem** incluem o seguinte:
+ **Frequência mínima do termo**: em cada linha, os termos (tokens) com menor frequência são filtrados. Se você especificar um número inteiro, este será um limite absoluto (inclusivo). Se você especificar uma fração entre 0 (inclusive) e 1, o limite será relativo à contagem total de termos. O padrão é `1`.
+ **Frequência mínima do documento**: número mínimo de linhas nas quais um termo (token) deve aparecer para ser incluído. Se você especificar um número inteiro, este será um limite absoluto (inclusivo). Se você especificar uma fração entre 0 (inclusive) e 1, o limite será relativo à contagem total de termos. O padrão é `1`.
+ **Frequência máxima de documentos**: Número máximo de documentos (linhas) nos quais um termo (token) pode aparecer incluído. Se você especificar um número inteiro, este será um limite absoluto (inclusivo). Se você especificar uma fração entre 0 (inclusive) e 1, o limite será relativo à contagem total de termos. O padrão é `0.999`.
+ **Tamanho máximo do vocabulário**: tamanho máximo do vocabulário. O vocabulário é composto por todos os termos (tokens) em todas as linhas da coluna. O padrão é `262144`.
+ **Saídas binárias**: se selecionadas, as saídas vetoriais não incluem o número de aparições de um termo em um documento, mas são um indicador binário de sua aparência. O padrão é `False`.
Para saber mais sobre essa opção, consulte a documentação do Spark em [CountVectorizer](https://spark.apache.org/docs/latest/ml-features#countvectorizer).
+ O **hashing** é computacionalmente mais rápido. Os **parâmetros de vetorização de hashing** incluem o seguinte:
+ **Número de atributos durante o hash**: um vetorizador de hash mapeia tokens para um índice vetorial de acordo com seu valor de hash. Esse atributo determina o número de valores de hash possíveis. Valores grandes resultam em menos colisões entre valores de hash, mas em um vetor de saída de maior dimensão.
Para saber mais sobre essa opção, consulte a documentação do Spark em [FeatureHasher](https://spark.apache.org/docs/latest/ml-features#featurehasher)
+ O **Apply IDF** aplica uma transformação IDF, que multiplica a frequência do termo pela frequência inversa padrão do documento usada para incorporação TF-IDF. Os **parâmetros IDF** incluem o seguinte:
+ **Frequência mínima do documento**: número mínimo de documentos (linhas) nos quais um termo (token) deve aparecer para ser incluído. Se **count\$1vectorize** for o vetorizador escolhido, recomendamos que você mantenha o valor padrão e modifique somente o campo **min\$1doc\$1freq** nos **parâmetros de vetorização de contagem.** O padrão é `5`.
+ **Formato de saída**: o formato de saída de cada linha.
+ Selecione **Vetor** para produzir uma única coluna com um vetor esparso.
+ Selecione **Nivelado** para criar uma coluna para cada categoria com uma variável indicadora para saber se o texto na coluna original contém um valor igual a essa categoria. Você só pode escolher achatado quando **Vetorizador** é definido como **vetorizador de contagem.**
## Séries temporais de transformações
No Data Wrangler, você pode transformar dados de séries temporais. Os valores em um conjunto de dados de série temporal são indexados em um horário específico. Por exemplo, um conjunto de dados que mostra o número de clientes em uma loja para cada hora do dia é um conjunto de dados de séries temporais. A tabela a seguir mostra um exemplo de um conjunto de dados de séries temporais.
Número horário de clientes em uma loja
| Número de clientes | Hora (hora) |
| --- | --- |
| 4 | 09:00 |
| 10 | 10:00 |
| 14 | 11:00 |
| 25 | 12:00 |
| 20 | 13:00 |
| 18 | 14:00 |
Para a tabela anterior, a coluna **Número de clientes** contém os dados de séries temporais. Os dados da série temporal são indexados nos dados horários na coluna **Tempo (hora)**.
Talvez seja necessário realizar uma série de transformações em seus dados para obtê-los em um formato que possa ser usado em sua análise. Use o grupo de transformação de **séries temporais** para transformar seus dados de séries temporais. Para obter mais informações sobre as transformações que você pode executar, consulte as seções a seguir.
**Topics**
+ [Agrupar por uma série temporal](#canvas-group-by-time-series)
+ [Reamostragem de dados de séries temporais](#canvas-resample-time-series)
+ [Lidar com dados de séries temporais ausentes](#canvas-transform-handle-missing-time-series)
+ [Valide o timestamp de seus dados de séries temporais](#canvas-transform-validate-timestamp)
+ [Padronizando a duração da série temporal](#canvas-transform-standardize-length)
+ [Extrair atributos de seus dados de séries temporais](#canvas-transform-extract-time-series-features)
+ [Use atributos atrasados de seus dados de séries temporais](#canvas-transform-lag-time-series)
+ [Crie um intervalo de data e hora em sua série temporal](#canvas-transform-datetime-range)
+ [Use uma janela contínua em sua série temporal](#canvas-transform-rolling-window)
### Agrupar por uma série temporal
Você pode usar a operação agrupar por para agrupar dados de séries temporais para valores específicos em uma coluna.
Por exemplo, você tem a tabela a seguir que monitora o uso médio diário de eletricidade em uma residência.
Uso médio diário de eletricidade doméstica
| ID da residência | Timestamp diário | Uso de eletricidade (kWh) | Número de ocupantes da residência |
| --- | --- | --- | --- |
| household\$10 | 1/1/2020 | 30 | 2 |
| household\$10 | 1/2/2020 | 40 | 2 |
| household\$10 | 1/4/2020 | 35 | 3 |
| household\$11 | 1/2/2020 | 45 | 3 |
| household\$11 | 1/3/2020 | 55 | 4 |
Se optar por agrupar por ID, você obterá a tabela a seguir.
Uso de eletricidade agrupado por identificação residencial
| ID da residência | Série de uso de eletricidade (kWh) | Série do número de ocupantes da residência |
| --- | --- | --- |
| household\$10 | [30, 40, 35] | [2, 2, 3] |
| household\$11 | [45, 55] | [3, 4] |
Cada entrada na sequência da série temporal é ordenada pelo timestamp correspondente. O primeiro elemento da sequência corresponde ao primeiro timestamp da série. Para `household_0`, `30` é o primeiro valor da **Série de uso de eletricidade**. O valor de `30` corresponde ao primeiro timestamp de `1/1/2020`.
Você pode incluir o timestamp inicial e o timestamp final. A tabela a seguir mostra como essas informações aparecem.
Uso de eletricidade agrupado por identificação residencial
| ID da residência | Série de uso de eletricidade (kWh) | Série do número de ocupantes da residência | Start\$1time | End\$1time |
| --- | --- | --- | --- | --- |
| household\$10 | [30, 40, 35] | [2, 2, 3] | 1/1/2020 | 1/4/2020 |
| household\$11 | [45, 55] | [3, 4] | 1/2/2020 | 1/3/2020 |
Você pode usar o procedimento a seguir para agrupar por uma coluna de série temporal.
1. Abra seu fluxo de dados do Data Wrangler.
1. No seu fluxo de dados, em **Tipos de dados**, escolha o **\$1** e selecione **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Escolha **Séries temporais**.
1. Em **Transformação**, escolha **Agrupar por**.
1. Especifique uma coluna em **Agrupar por esta coluna**.
1. Em **Aplicar às colunas**, especifique um valor.
1. Escolha **Visualizar** para gerar uma visualização prévia da transformação.
1. Escolha **Adicionar** para adicionar a transformação ao fluxo de dados do Data Wrangler.
### Reamostragem de dados de séries temporais
Os dados de séries temporais geralmente têm observações que não são feitas em intervalos regulares. Por exemplo, um conjunto de dados pode ter algumas observações que são registradas de hora em hora e outras observações que são registradas a cada duas horas.
Muitas análises, como algoritmos de previsão, exigem que as observações sejam feitas em intervalos regulares. A reamostragem permite estabelecer intervalos regulares para as observações em seu conjunto de dados.
Você pode aumentar ou diminuir a resolução de uma série temporal. O downsampling (redução da taxa de amostragem) aumenta o intervalo entre as observações no conjunto de dados. Por exemplo, se você reduzir a resolução de observações feitas a cada hora ou a cada duas horas, cada observação em seu conjunto de dados será feita a cada duas horas. As observações horárias são agregadas em um único valor usando um método de agregação, como média ou mediana.
O upsampling (aumento da taxa de amostragem) reduz o intervalo entre as observações no conjunto de dados. Por exemplo, se você transformar observações feitas a cada duas horas em observações de hora em hora, poderá usar um método de interpolação para inferir observações de hora em hora daquelas que foram feitas a cada duas horas. [Para obter informações sobre métodos de interpolação, consulte pandas. DataFrame.interpolar](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html).
Você pode reamostrar dados numéricos e não numéricos.
Use a operação **Reamostrar** para reamostrar seus dados de séries temporais. Se você tiver várias séries temporais em seu conjunto de dados, o Data Wrangler padronizará o intervalo de tempo para cada série temporal.
A tabela a seguir mostra um exemplo de redução da amostragem de dados de séries temporais usando a média como método de agregação. Os dados são reduzidos de duas em duas horas para cada hora.
Leituras de temperatura de hora em hora durante um dia antes da redução da amostragem
| Timestamp | Temperatura (Celsius) |
| --- | --- |
| 12:00 | 30 |
| 1:00 | 32 |
| 2:00 | 35 |
| 3:00 | 32 |
| 4:00 | 30 |
Leituras de temperatura reduzidas para cada duas horas
| Timestamp | Temperatura (Celsius) |
| --- | --- |
| 12:00 | 30 |
| 2:00 | 33.5 |
| 4:00 | 35 |
Você pode usar o procedimento a seguir para reamostrar dados de série temporal.
1. Abra seu fluxo de dados do Data Wrangler.
1. No seu fluxo de dados, em **Tipos de dados**, escolha o **\$1** e selecione **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Escolha **Reamostrar**.
1. Em **Timestamp**, escolha a coluna de timestamp.
1. Em **Unidade de frequência**, especifique a frequência com a qual você está reamostrando.
1. (Opcional) Especifique um valor para a **quantidade de frequência**.
1. Configure a transformação especificando os campos restantes.
1. Escolha **Visualizar** para gerar uma visualização prévia da transformação.
1. Escolha **Adicionar** para adicionar a transformação ao fluxo de dados do Data Wrangler.
### Lidar com dados de séries temporais ausentes
Se você tiver valores ausentes em seu conjunto de dados, realize um dos seguintes procedimentos:
+ Para conjuntos de dados com várias séries temporais, elimine as séries temporais com valores ausentes maiores que o limite especificado por você.
+ Impute os valores ausentes em uma série temporal usando outros valores na série temporal.
A imputação de um valor ausente envolve a substituição dos dados especificando um valor ou usando um método inferencial. A seguir estão os métodos que você pode usar para imputação:
+ Valor constante: Substitua todos os dados ausentes em seu conjunto de dados por um valor especificado por você.
+ Valor mais comum: Substitua todos os dados ausentes pelo valor que tem a maior frequência no conjunto de dados.
+ Preenchimento futuro: Use um preenchimento futuro para substituir os valores ausentes pelo valor não faltante que precede os valores ausentes. Para a sequência: [2, 4, 7, NaN, NaN, NaN, 8], todos os valores ausentes são substituídos por 7. A sequência resultante do uso de um preenchimento direto é [2, 4, 7, 7, 7, 7, 7, 8].
+ Preenchimento reverso: Use um preenchimento reverso para substituir os valores ausentes pelo valor não omisso que segue os valores ausentes. Para a sequência: [2, 4, 7, NaN, NaN, NaN, 8], todos os valores ausentes são substituídos por 8. A sequência resultante do uso de preenchimento reverso é [2, 4, 7, 8, 8, 8, 8].
+ Interpolar: Usa uma função de interpolação para imputar os valores ausentes. [Para obter mais informações sobre as funções que você pode usar para interpolação, consulte pandas. DataFrame.interpolar](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html).
Alguns dos métodos de imputação podem não conseguir imputar todos os valores ausentes em seu conjunto de dados. Por exemplo, um **Preenchimento direto** não pode imputar um valor ausente que aparece no início da série temporal. Você pode imputar os valores usando um preenchimento direto ou um preenchimento reverso.
Você pode imputar valores ausentes em uma célula ou em uma coluna.
O exemplo a seguir mostra como os valores são imputados dentro de uma célula.
Uso de eletricidade com valores faltantes
| ID da residência | Série de uso de eletricidade (kWh) |
| --- | --- |
| household\$10 | [30, 40, 35, NaN, NaN] |
| household\$11 | [45, NaN, 55] |
Uso de eletricidade com valores imputados usando um preenchimento direto
| ID da residência | Série de uso de eletricidade (kWh) |
| --- | --- |
| household\$10 | [30, 40, 35, 35, 35] |
| household\$11 | [45, 45, 55] |
O exemplo a seguir mostra como os valores são imputados em uma coluna.
Uso médio diário de eletricidade doméstica com valores faltantes
| ID da residência | Uso de eletricidade (kWh) |
| --- | --- |
| household\$10 | 30 |
| household\$10 | 40 |
| household\$10 | NaN |
| household\$11 | NaN |
| household\$11 | NaN |
Consumo médio diário de eletricidade doméstica com valores imputados usando um preenchimento direto
| ID da residência | Uso de eletricidade (kWh) |
| --- | --- |
| household\$10 | 30 |
| household\$10 | 40 |
| household\$10 | 40 |
| household\$11 | 40 |
| household\$11 | 40 |
Você pode usar o procedimento a seguir para processar valores ausentes.
1. Abra seu fluxo de dados do Data Wrangler.
1. No seu fluxo de dados, em **Tipos de dados**, escolha o **\$1** e selecione **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Escolha **Processar ausentes**.
1. Para o **tipo de entrada de série temporal**, escolha se você deseja processar valores ausentes dentro de uma célula ou ao longo de uma coluna.
1. Em **Imputar valores ausentes para esta coluna**, especifique a coluna que tem os valores ausentes.
1. Em **Método para imputar valores**, selecione um método.
1. Configure a transformação especificando os campos restantes.
1. Escolha **Visualizar** para gerar uma visualização prévia da transformação.
1. Se você tiver valores ausentes, poderá especificar um método para imputá-los em **Método para imputar valores**.
1. Escolha **Adicionar** para adicionar a transformação ao fluxo de dados do Data Wrangler.
### Valide o timestamp de seus dados de séries temporais
Você pode ter dados de timestamps inválidos. Você pode usar a função **Validate timestamp** para determinar se os timestamps no seu conjunto de dados são válidos. Seu timestamp pode ser inválido por um ou mais dos seguintes motivos:
+ Sua coluna de timestamp tem valores ausentes.
+ Os valores na coluna de timestamp não estão formatados corretamente.
Se você tiver timestamps inválidos em seu conjunto de dados, não poderá realizar sua análise com êxito. Você pode usar o Data Wrangler para identificar timestamps inválidos e entender onde você precisa limpar seus dados.
A validação da série temporal funciona de uma das duas maneiras:
Você pode configurar o Data Wrangler para executar uma das seguintes ações se ele encontrar valores ausentes em seu conjunto de dados:
+ Elimine as linhas que têm os valores ausentes ou inválidos.
+ Elimine as linhas que têm os valores ausentes ou inválidos.
+ Lance um erro se encontrar algum valor ausente ou inválido no seu conjunto de dados.
Você pode validar os timestamps em colunas que tenham o tipo `timestamp` ou o tipo `string`. Se a coluna tiver o tipo `string`, o Data Wrangler converterá o tipo da coluna em `timestamp` e executará a validação.
É possível usar o procedimento a seguir para validar os timestamps em seu conjunto de dados.
1. Abra seu fluxo de dados do Data Wrangler.
1. No seu fluxo de dados, em **Tipos de dados**, escolha o **\$1** e selecione **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Escolha **Validar timestamps**.
1. Na **Coluna timestamp**, escolha a coluna Timestamp.
1. Em **Política**, escolha se você deseja lidar com timestamps ausentes.
1. (Opcional) Em **Coluna de saída**, especifique um nome para a coluna de saída.
1. Se a coluna de data e hora estiver formatada para o tipo de segmento, escolha **Transmitir para data e hora**.
1. Escolha **Visualizar** para gerar uma visualização prévia da transformação.
1. Escolha **Adicionar** para adicionar a transformação ao fluxo de dados do Data Wrangler.
### Padronizando a duração da série temporal
Se você tiver dados de séries temporais armazenados como matrizes, poderá padronizar cada série temporal com o mesmo tamanho. Padronizar o tamanho da matriz de séries temporais pode facilitar a realização da análise dos dados.
Você pode padronizar suas séries temporais para transformações de dados que exigem que o tamanho dos dados seja corrigido.
Muitos algoritmos de ML exigem que você nivele seus dados de séries temporais antes de usá-los. Nivelar os dados da série temporal é separar cada valor da série temporal em sua própria coluna em um conjunto de dados. O número de colunas em um conjunto de dados não pode mudar, então os comprimentos das séries temporais precisam ser padronizados entre você e nivelar cada matriz em um conjunto de atributos.
Cada série temporal é definida com o comprimento que você especifica como um quantil ou percentil do conjunto de séries temporais. Por exemplo, você pode ter três sequências com os seguintes comprimentos:
+ 3
+ 4
+ 5
Você pode definir o comprimento de todas as sequências como o comprimento da sequência que tem o comprimento do 50º percentil.
Matrizes de séries temporais menores do que o comprimento especificado têm valores ausentes adicionados. A seguir está um exemplo de formato de padronização da série temporal para um comprimento maior: [2, 4, 5, NaN, NaN, NaN].
Você pode usar abordagens diferentes para lidar com os valores ausentes. Para obter mais informações sobre essas abordagens, consulte [Lidar com dados de séries temporais ausentes](#canvas-transform-handle-missing-time-series).
As matrizes de séries temporais maiores que o comprimento especificado são truncadas.
É possível usar o procedimento a seguir para padronizar a duração da série temporal.
1. Abra seu fluxo de dados do Data Wrangler.
1. No seu fluxo de dados, em **Tipos de dados**, escolha o **\$1** e selecione **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Escolha **Padronizar comprimento.**
1. Para **Padronizar o comprimento da série temporal da coluna**, escolha uma coluna.
1. (Opcional) Em **Coluna de saída**, especifique um nome para a coluna de saída. Se você não especificar um nome, a transformação será feita no local.
1. Se a coluna de data e hora estiver formatada para o tipo de segmento, escolha **Transmitir para data e hora**.
1. Escolha **Quantil de corte** e especifique um quantil para definir o comprimento da sequência.
1. Escolha **Nivelar a saída** para gerar os valores da série temporal em colunas separadas.
1. Escolha **Visualizar** para gerar uma visualização prévia da transformação.
1. Escolha **Adicionar** para adicionar a transformação ao fluxo de dados do Data Wrangler.
### Extrair atributos de seus dados de séries temporais
Se você estiver executando uma classificação ou um algoritmo de regressão em seus dados de série temporal, recomendamos extrair atributos da série temporal antes de executar o algoritmo. A extração de atributos pode melhorar o desempenho do seu algoritmo.
Use as seguintes opções para escolher como você deseja extrair os atributos dos seus dados:
+ Use o **Subconjunto mínimo** para especificar a extração de 8 atributos que você sabe que são úteis em análises posteriores. Você pode usar um subconjunto mínimo quando precisar realizar cálculos rapidamente. Você também pode usá-lo quando seu algoritmo de ML tem um alto risco de sobreajuste e você deseja fornecer menos atributos.
+ Use o **subconjunto eficiente** para especificar a extração do maior número possível de atributos sem extrair atributos que são computacionalmente intensivos em suas análises.
+ Use **Todos os atributos** para especificar a extração de todos os atributos da série de músicas.
+ Use o **Subconjunto manual** para escolher uma lista de atributos que você acha que explicam bem a variação em seus dados.
Use o procedimento a seguir para extrair atributos de seus dados de séries temporais.
1. Abra seu fluxo de dados do Data Wrangler.
1. No seu fluxo de dados, em **Tipos de dados**, escolha o **\$1** e selecione **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Escolha **Extrair atributos**.
1. Em **Extrair atributos para esta coluna**, escolha uma coluna.
1. (Opcional) Selecione **Nivelado** para gerar os atributos em colunas separadas.
1. Em **Estratégia**, escolha uma estratégia para extrair os atributos.
1. Escolha **Visualizar** para gerar uma visualização prévia da transformação.
1. Escolha **Adicionar** para adicionar a transformação ao fluxo de dados do Data Wrangler.
### Use atributos atrasados de seus dados de séries temporais
Para muitos casos de uso, a melhor maneira de prever o comportamento futuro de sua série temporal é usar o comportamento mais recente.
Os usos mais comuns de atributos atrasados são os seguintes:
+ Coletando um punhado de valores passados. Por exemplo, para o tempo, t \$1 1, você coleta t, t - 1, t - 2 e t - 3.
+ Coletando valores que correspondem ao comportamento sazonal nos dados. Por exemplo, para prever a ocupação em um restaurante às 13h, convém usar os atributos a partir das 13h do dia anterior. Usar os atributos a partir das 12h ou 11h no mesmo dia pode não ser tão preditivo quanto usar os atributos dos dias anteriores.
1. Abra seu fluxo de dados do Data Wrangler.
1. No seu fluxo de dados, em **Tipos de dados**, escolha o **\$1** e selecione **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Selecione os **Atributos com atraso**.
1. Em **Gerar atributos de atraso para essa coluna**, escolha uma coluna.
1. Na **Coluna timestamp**, escolha a coluna contendo timestamps.
1. Para **Lag**, especifique a duração do atraso.
1. (Opcional) Configure a saída usando uma das seguintes opções:
+ **Incluir toda a janela de atraso**
+ **Nivelar a saída**
+ **Eliminar linhas sem histórico**
1. Escolha **Visualizar** para gerar uma visualização prévia da transformação.
1. Escolha **Adicionar** para adicionar a transformação ao fluxo de dados do Data Wrangler.
### Crie um intervalo de data e hora em sua série temporal
Talvez você tenha dados de séries temporais que não tenham timestamps. Se você sabe que as observações foram feitas em intervalos regulares, você pode gerar timestamps para a série temporal em uma coluna separada. Para gerar timestamps, você especifica o valor do carimbo de data/hora inicial e a frequência dos timestamps.
Por exemplo, você pode ter os seguintes dados de séries temporais para o número de clientes em um restaurante:
Dados de séries temporais sobre o número de clientes em um restaurante
| Número de clientes |
| --- |
| 10 |
| 14 |
| 24 |
| 40 |
| 30 |
| 20 |
Se você souber que o restaurante abriu às 17h e que as observações são feitas de hora em hora, você pode adicionar uma coluna de timestamp que corresponda aos dados da série temporal. É possível ver a coluna de timestamp na tabela a seguir.
Dados de séries temporais sobre o número de clientes em um restaurante
| Número de clientes | Timestamp |
| --- | --- |
| 10 | 13:00h |
| 14 | 14:00h |
| 24 | 15:00h |
| 40 | 16:00h |
| 30 | 17:00h |
| 20 | 18:00h |
Use o procedimento a seguir para adicionar um intervalo de data e hora aos seus dados.
1. Abra seu fluxo de dados do Data Wrangler.
1. No seu fluxo de dados, em **Tipos de dados**, escolha o **\$1** e selecione **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Escolha **Intervalo de data e hora**.
1. Em **Tipo de frequência**, escolha a unidade usada para medir a frequência de timestamps.
1. Em **Começando o timestamp**, especifique o início do timestamp.
1. Em **Coluna de saída**, especifique um nome para a coluna de saída.
1. (Opcional) Configure a saída usando os campos restantes.
1. Escolha **Visualizar** para gerar uma visualização prévia da transformação.
1. Escolha **Adicionar** para adicionar a transformação ao fluxo de dados do Data Wrangler.
### Use uma janela contínua em sua série temporal
Você pode extrair atributos ao longo de um período de tempo. Por exemplo, para o tempo, *t*, e uma janela de tempo de comprimento 3, e para a linha que indica o timestamp *t*, anexamos os atributos extraídas da série temporal nos momentos *t* - 3, *t* - 2 e *t* - 1. Para obter informações sobre como extrair atributos, consulte [Extrair atributos de seus dados de séries temporais](#canvas-transform-extract-time-series-features).
É possível usar o procedimento a seguir para extrair atributos em um período.
1. Abra seu fluxo de dados do Data Wrangler.
1. No seu fluxo de dados, em **Tipos de dados**, escolha o **\$1** e selecione **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Escolha **Atributos da janela contínua**.
1. Em **Gerar atributos de janela contínua para esta coluna**, escolha uma coluna.
1. Na **Coluna timestamp**, escolha a coluna contendo timestamps.
1. (Opcional) Em **Coluna de saída**, especifique o nome da coluna de saída.
1. Em **Tamanho da janela**, especifique o tamanho da janela.
1. Em **Estratégia**, escolha uma estratégia para extrair os atributos.
1. Escolha **Visualizar** para gerar uma visualização prévia da transformação.
1. Escolha **Adicionar** para adicionar a transformação ao fluxo de dados do Data Wrangler.
## Destacar data e hora
Use **Destacar data/hora** para criar uma incorporação vetorial representando um campo de data e hora. Para usar essa transformação, os dados de data e hora devem estar em um dos seguintes formatos:
+ Segmentos que descrevem a data e hora: Por exemplo, `"January 1st, 2020, 12:44pm"`.
+ Um timestamp Unix: um timestamp Unix descreve o número de segundos, milissegundos, microssegundos ou nanossegundos a partir de 1/1/1970.
Você pode escolher **inferir o formato de data e hora** e fornecer um **formato de data e hora**. Se você fornecer um formato de data e hora, deverá usar os códigos descritos na [documentação do Python](https://docs.python.org/3/library/datetime.html#strftime-and-strptime-format-codes). As opções selecionadas para essas duas configurações têm implicações na velocidade da operação e nos resultados finais.
+ A opção mais manual e computacionalmente mais rápida é especificar um **Formato de data e hora** e selecionar **Não** para **Inferir formato de data e hora**.
+ Para reduzir o trabalho manual, você pode escolher **Inferir formato de data e hora** e não especificar um formato de data e hora. É também uma operação computacionalmente rápida; entretanto, o primeiro formato de data e hora encontrado na coluna de entrada é considerado o formato da coluna inteira. Se houver outros formatos na coluna, esses valores serão NaN na saída final. Inferir o formato de data e hora pode fornecer segmentos não analisados.
+ Se você não especificar um formato e selecionar **Não** para **Inferir formato de data e hora**, obterá os resultados mais robustos. Todos os segmentos de data e hora válidos são analisados. No entanto, essa operação pode ser uma ordem de magnitude mais lenta do que as duas primeiras opções dessa lista.
Ao usar essa transformação, você especifica uma **coluna de entrada** que contém dados de data e hora em um dos formatos listados acima. A transformação cria uma coluna de saída chamada **Nome da coluna de saída**. O formato da coluna de saída depende da sua configuração usando o seguinte:
+ **Vetor**: gera uma única coluna como vetor.
+ **Colunas**: cria uma nova coluna para cada atributo. Por exemplo, se a saída tiver um ano, mês e dia, três colunas separadas serão criadas para ano, mês e dia.
Além disso, você deve escolher um **modo de incorporação**. Para modelos lineares e redes profundas, recomendamos escolher o **cíclico**. **Para algoritmos baseados em árvore, recomendamos escolher ordinal.**
## Formatar segmento
As transformações **Formatar segmento** contêm operações de formatação de segmento padrão. Por exemplo, você pode usar essas operações para remover caracteres especiais, normalizar comprimentos de segmentos e atualizar maiúsculas e minúsculas.
Esse grupo de atributos contém as seguintes transformações: Todas as transformações retornam cópias de segmentos na **coluna Entrada** e adicionam o resultado a uma nova coluna de saída.
| Nome | Função |
| --- | --- |
| Almofada esquerda | Pressione com o botão esquerdo o segmento com um determinado **caractere de preenchimento** até a **largura especificada.** Se o segmento for maior que a **largura**, o valor de retorno será reduzido para caracteres de **largura**. |
| Almofada direita | Preencha com o botão direito o segmento com um determinado **caractere de preenchimento** até a **largura** especificada. Se o segmento for maior que a **largura**, o valor de retorno será reduzido para caracteres de **largura**. |
| Centro (almofadas em ambos os lados) | Coloque o segmento no centro (adicione preenchimento nos dois lados do segmento) com um determinado **caractere de preenchimento** até a **largura** especificada. Se o segmento for maior que a **largura**, o valor de retorno será reduzido para caracteres de **largura**. |
| Acrescentar zeros à esquerda | Preencha à esquerda um segmento numérico com zeros, até uma determinada **largura**. Se o segmento for maior que a **largura**, o valor de retorno será reduzido para caracteres de **largura**. |
| Remova à esquerda e à direita | Retorna uma cópia do segmento com os caracteres iniciais e finais removidos. |
| Remova os caracteres da esquerda | Retorna uma cópia de segmento com os caracteres iniciais removidos. |
| Remova os caracteres da direita | Retorna uma cópia do segmento com os caracteres finais removidos. |
| Letras minúsculas | Converta todas as letras do texto em letras minúsculas. |
| Letras maiúsculas | Converta todas as letras do texto em letras maiúsculas. |
| Capitalizar | Coloque a primeira letra em maiúscula em cada frase. |
| Alternar letra maiúscula e minúscula | Converte todos os caracteres maiúsculos em minúsculos e todos os caracteres minúsculos em caracteres maiúsculos de segmento fornecida e o retorna. |
| Adicionar prefixo ou sufixo | Adiciona um prefixo e um sufixo à coluna do segmento. Você deve especificar pelo menos um dos **Prefixos** e **Sufixos**. |
| Remover símbolos | Remove os símbolos fornecidos de um segmento. Todos os caracteres listados são removidos. O padrão é espaço em branco. |
## Lidar com valores discrepantes
Os modelos de machine learning são sensíveis à distribuição e ao alcance dos valores de seus atributos. Valores discrepantes, ou valores raros, podem afetar negativamente a precisão do modelo e levar a tempos de treinamento mais longos. Use esse grupo de atributos para detectar e atualizar valores discrepantes em seu conjunto de dados.
Quando você define uma etapa de transformação **Lidar com valores discrepantes**, as estatísticas usadas para detectar valores discrepantes são geradas nos dados disponíveis no Data Wrangler ao definir essa etapa. Essas mesmas estatísticas são usadas ao executar um trabalho do Data Wrangler.
Use as seções a seguir para saber mais sobre as transformações que este grupo contém. Você especifica um **nome de saída** e cada uma dessas transformações gera uma coluna de saída com os dados resultantes.
### Valores discrepantes numéricos robustos de desvio padrão
Essa transformação detecta e corrige valores discrepantes em atributos numéricos usando estatísticas que são robustas a valores discrepantes.
Você deve definir um **quantil superior** e um **quantil inferior** para as estatísticas usadas para calcular valores discrepantes. Você também deve especificar o número de **desvios padrão** dos quais um valor deve variar da média para ser considerado um valor atípico. Por exemplo, se você especificar 3 para **desvios padrão**, um valor deve ser de mais de 3 desvios padrão da média para ser considerado um valor atípico.
O **Método Fix** é o método usado para lidar com valores discrepantes quando eles são detectados. Você pode escolher entre as seguintes opções:
+ **Clipe**: use essa opção para recortar os valores discrepantes no limite de detecção de valores discrepantes correspondente.
+ **Remover**: use essa opção para remover linhas com valores discrepantes do dataframe.
+ **Invalidar**: use essa opção para substituir valores discrepantes por valores inválidos.
### Valores atípicos numéricos de desvio padrão
Essa transformação detecta e corrige valores discrepantes em atributos numéricos usando a média e o desvio padrão.
Você especifica o número de **desvios padrão** dos quais um valor deve variar da média para ser considerado um valor atípico. Por exemplo, se você especificar 3 para **desvios padrão**, um valor deve ser de mais de 3 desvios padrão da média para ser considerado um valor atípico.
O **Método Fix** é o método usado para lidar com valores discrepantes quando eles são detectados. Você pode escolher entre as seguintes opções:
+ **Clipe**: use essa opção para recortar os valores discrepantes no limite de detecção de valores discrepantes correspondente.
+ **Remover**: use essa opção para remover linhas com valores discrepantes do dataframe.
+ **Invalidar**: use essa opção para substituir valores discrepantes por valores inválidos.
### Valores atípicos numéricos quantílicos
Use esta transformação para detectar e corrigir valores discrepantes em atributos numéricos usando quantis. Você pode definir um **quantil superior** e um **quantil inferior**. Todos os valores que ficam acima do quantil superior ou abaixo do quantil inferior são considerados discrepantes.
O **Método Fix** é o método usado para lidar com valores discrepantes quando eles são detectados. Você pode escolher entre as seguintes opções:
+ **Clipe**: use essa opção para recortar os valores discrepantes no limite de detecção de valores discrepantes correspondente.
+ **Remover**: use essa opção para remover linhas com valores discrepantes do dataframe.
+ **Invalidar**: use essa opção para substituir valores discrepantes por valores inválidos.
### Valores discrepantes numéricos mínimo-máximos
Essa transformação detecta e corrige valores discrepantes em atributos numéricos usando limites superiores e inferiores. Use esse método se você conhece valores limite que demarcam valores discrepantes.
Você especifica um **limite superior** e um **limite inferior** e, se os valores ficarem acima ou abaixo desses limites, respectivamente, eles serão considerados valores discrepantes.
O **Método Fix** é o método usado para lidar com valores discrepantes quando eles são detectados. Você pode escolher entre as seguintes opções:
+ **Clipe**: use essa opção para recortar os valores discrepantes no limite de detecção de valores discrepantes correspondente.
+ **Remover**: use essa opção para remover linhas com valores discrepantes do dataframe.
+ **Invalidar**: use essa opção para substituir valores discrepantes por valores inválidos.
### Substituir valores raros
Ao usar a transformação **Substituir valores raros**, você especifica um limite e o Data Wrangler localiza todos os valores que atendem a esse limite e os substitui por um segmento especificado por você. Por exemplo, talvez você queira usar essa transformação para categorizar todos os valores atípicos em uma coluna em uma categoria “Outros”.
+ **Segmento de substituição**: a sequência com a qual substituir valores discrepantes.
+ **Limite absoluto**: uma categoria é rara se o número de instâncias for menor ou igual a esse limite absoluto.
+ **Limite de fração**: uma categoria é rara se o número de instâncias for menor ou igual a esse limite de fração multiplicado pelo número de linhas.
+ **Máximo de categorias comuns**: máximo de categorias não raras que permanecem após a operação. Se o limiar não filtrar categorias suficientes, aquelas com o maior número de ocorrências são classificadas como não raras. Se definido como 0 (padrão), não há limite rígido para o número de categorias.
## Processamento de valores ausentes
Valores ausentes são uma ocorrência comum em conjuntos de dados de machine learning. Em algumas situações, é apropriado imputar aos dados faltantes um valor calculado, como um valor médio ou categoricamente comum. Você pode processar valores ausentes usando o grupo de transformação **Processar valores ausentes**. Esse grupo contém as seguintes transformações:
### Preencher valores ausentes
Use a transformação **Preencher valores ausentes** para substituir valores ausentes por um **valor do preenchimento** definido por você.
### Imputar valores ausentes
Use a transformação de **Imputar valores ausentes** para criar uma nova coluna que contenha valores imputados onde valores ausentes foram encontrados nos dados de entrada categóricos e numéricos. A configuração depende do seu tipo de dados.
Para dados numéricos, escolha uma estratégia de imputação, a estratégia usada para determinar o novo valor a ser imputado. Você pode optar por imputar a média ou a mediana sobre os valores que estão presentes no seu conjunto de dados. O Data Wrangler usa o valor que ele computa para imputar os valores ausentes.
Para dados categóricos, o Data Wrangler imputa valores ausentes usando o valor mais frequente na coluna. Para imputar um segmento personalizado, use a transformação **Preenchimento ausente** em vez disso.
### Adicionar indicador de valores ausentes
Use a transformação **Adicionar indicador para valores ausentes** para criar uma nova coluna indicadora, que contém um booleano `"false"` se uma linha contiver um valor e `"true"` se uma linha contiver um valor ausente.
### Eliminar valores ausentes
Use a opção **Eliminar valores ausentes** para remover linhas que contêm valores ausentes da **Coluna de entrada**.
## Gerenciar colunas
Você pode usar as seguintes transformações para atualizar e gerenciar rapidamente as colunas no seu conjunto de dados:
****
| Nome | Função |
| --- | --- |
| Soltar coluna | Exclua uma coluna. |
| Duplicar coluna | Duplique uma coluna. |
| Renomear coluna | Renomeie uma coluna. |
| Mover coluna | Mova a localização de uma coluna no conjunto de dados. Escolha mover sua coluna para o início ou o final do conjunto de dados, antes ou depois de uma coluna de referência ou para um índice específico. |
## Gerenciar linhas
Use esse grupo de transformação para executar rapidamente as operações de classificação e reprodução aleatória nas linhas. Este grupo contém o seguinte:
+ **Classificar**: classifique todo o dataframe por uma determinada coluna. Marque a caixa de seleção ao lado de **Ordem crescente** para essa opção; caso contrário, desmarque a caixa de seleção e a ordem decrescente será usada para a classificação.
+ **Embaralhar**: embaralhe aleatoriamente todas as linhas no conjunto de dados.
## Gerenciar vetores
Use esse grupo de transformação para combinar ou nivelar colunas vetoriais. Esse grupo contém as seguintes transformações:
+ **Montar**: use essa transformação para combinar vetores e dados numéricos do Spark em uma única coluna. Por exemplo, você pode combinar três colunas: duas contendo dados numéricos e uma contendo vetores. Adicione todas as colunas que você deseja combinar nas **colunas de entrada** e especifique um **nome de coluna de saída** para os dados combinados.
+ **Nivelar**: use essa transformação para nivelar uma única coluna contendo dados vetoriais. A coluna de entrada deve conter PySpark vetores ou objetos semelhantes a matrizes. Você pode controlar o número de colunas criadas especificando um **método para detectar o número de saídas**. Por exemplo, se você selecionar **Comprimento do primeiro vetor**, o número de elementos no primeiro vetor ou matriz válido encontrado na coluna determinará o número de colunas de saída criadas. Todos os outros vetores de entrada com muitos itens serão truncados. As entradas com poucos itens são preenchidas com NaNs.
Você também especifica um **prefixo de saída**, que é usado como prefixo para cada coluna de saída.
## Processo numérico
Use o grupo de atributos **Processar numérico** para processar dados numéricos. Cada escalar desse grupo é definido usando a biblioteca Spark. Os seguintes escalares são compatíveis:
+ **Escalonador padrão**: padronize a coluna de entrada subtraindo a média de cada valor e dimensionando para a variação unitária. Para saber mais, consulte a documentação do Spark para [StandardScaler](https://spark.apache.org/docs/latest/ml-features#standardscaler).
+ **Escalonador robusto**: escale a coluna de entrada usando estatísticas que são robustas a valores discrepantes. Para saber mais, consulte a documentação do Spark para [RobustScaler](https://spark.apache.org/docs/latest/ml-features#robustscaler).
+ **Escalonador mínimo máximo**: transforme a coluna de entrada escalando cada atributo para um determinado intervalo. Para saber mais, consulte a documentação do Spark para [MinMaxScaler](https://spark.apache.org/docs/latest/ml-features#minmaxscaler).
+ **Escalonador absoluto máximo**: escale a coluna de entrada dividindo cada valor pelo valor absoluto máximo. Para saber mais, consulte a documentação do Spark para [MaxAbsScaler](https://spark.apache.org/docs/latest/ml-features#maxabsscaler).
## Amostragem
Depois de importar seus dados, você pode usar o transformador de **amostragem** para coletar uma ou mais amostras deles. Quando você usa o transformador de amostragem, o Data Wrangler coleta amostras do seu conjunto de dados original.
Você pode escolher um dos seguintes métodos de amostra:
+ **Limite**: faça uma amostra do conjunto de dados a partir da primeira linha até o limite que você especificar.
+ **Aleatório**: obtém uma amostra aleatória de um tamanho especificado por você.
+ **Estratificado**: obtém uma amostra aleatória estratificada.
Você pode estratificar uma amostra aleatória para garantir que ela represente a distribuição original do conjunto de dados.
Você pode estar realizando a preparação de dados para vários casos de uso. Para cada caso de uso, você pode pegar uma amostra diferente e aplicar um conjunto diferente de transformações.
O procedimento a seguir descreve o processo de criar uma amostra aleatória.
Para obter uma amostra aleatória dos seus dados.
1. Escolha o **\$1** à direita do conjunto de dados que você importou. O nome do seu conjunto de dados está localizado abaixo do **\$1**.
1. Escolha **Adicionar transformação**.
1. Escolha **Amostragem**.
1. Para **Método de amostragem**, escolha o método de amostragem.
1. Em **Tamanho aproximado da amostra**, escolha o número aproximado de observações que você deseja em sua amostra.
1. (Opcional) Especifique um número inteiro para **Semente aleatória** para criar uma amostra reproduzível.
O procedimento a seguir descreve o processo de criação de uma amostra estratificada.
Para obter uma amostra estratificada de seus dados.
1. Escolha o **\$1** à direita do conjunto de dados que você importou. O nome do seu conjunto de dados está localizado abaixo do **\$1**.
1. Escolha **Adicionar transformação**.
1. Escolha **Amostragem**.
1. Para **Método de amostragem**, escolha o método de amostragem.
1. Em **Tamanho aproximado da amostra**, escolha o número aproximado de observações que você deseja em sua amostra.
1. Em **Estratificar coluna**, especifique o nome da coluna na qual você deseja estratificar.
1. (Opcional) Especifique um número inteiro para **Semente aleatória** para criar uma amostra reproduzível.
## Pesquisar e editar
Use esta seção para pesquisar e editar padrões específicos em segmentos. Por exemplo, você pode localizar e atualizar segmentos em frases ou documentos, dividir segmentos por delimitadores e localizar ocorrências de segmentos específicos.
As seguintes transformações são compatíveis com **Pesquisar e editar**: Todas as transformações retornam cópias de segmentos na **Coluna Entrada** e adicionam o resultado a uma nova coluna de saída.
****
| Nome | Função |
| --- | --- |
| Encontre um sub-segmento | Retorna o índice da primeira ocorrência do **Sub-segmento** pela qual você pesquisou. Você pode iniciar e terminar a pesquisa no **Início** e no **Fim**, respectivamente. |
| Encontre um sub-segmento (da direita) | Retorna o índice da última ocorrência do **Sub-segmento** que você pesquisou. Você pode iniciar e finalizar a pesquisa no **Início** e no **Fim**, respectivamente. |
| Corresponde ao prefixo | Retorna um valor booleano se o segmento tiver um determinado **padrão**. Um padrão pode ser uma sequência de caracteres ou uma expressão regular. Opcionalmente, você pode diferenciar o padrão de maiúsculas e minúsculas. |
| Encontre todas as ocorrências | Retorna uma matriz com todas as ocorrências de um determinado padrão. Um padrão pode ser uma sequência de caracteres ou uma expressão regular. |
| Extrair usando regex | Retorna um segmento que corresponde a um determinado padrão regex. |
| Extrair entre delimitadores | Retorna um segmento com todos os caracteres encontrados entre o **delimitador esquerdo** e o **delimitador direito**. |
| Extrair da posição | Retorna um segmento, começando da **posição inicial** no segmento de entrada, que contém todos os caracteres até a posição inicial mais o **comprimento**. |
| Encontre e substitua a sub-segmento | Retorna um segmento com todas as correspondências de um determinado **padrão** (expressão regular) substituída pelo **segmento de substituição**. |
| Substituir entre delimitadores | Retorna um segmento com a sub-segmento encontrada entre a primeira aparição de um **delimitador esquerdo** e a última aparição de um **delimitador direito** substituída pelo **segmento de substituição**. Se nenhuma correspondência for encontrada, nada é substituído. |
| Substituir da posição | Retorna um segmento com a sub-segmento entre a **posição inicial** e a **posição inicial** mais o **comprimento** substituída pelo **segmento de substituição**. Se a **posição inicial** mais o **comprimento** for maior que o comprimento de segmento de substituição, a saída conterá**...**. |
| Converter regex para ausente | Converte um segmento em `None` se for inválido e retorna o resultado. A validade é definida com uma expressão regular em **Padrão**. |
| Dividir segmento por delimitador | Retorna uma matriz de srtrings da string de entrada, dividida por **Delimitador**, com até o **Número máximo de divisões** (opcional). O delimitador usa como padrão o espaço em branco. |
## Dividir dados
Use a transformação **Dividir dados** para dividir seu conjunto de dados em dois ou três conjuntos de dados. Por exemplo, você pode dividir seu conjunto de dados em um conjunto de dados usado para treinar seu modelo e um conjunto de dados usado para testá-lo. Você pode determinar a proporção do conjunto de dados que entra em cada divisão. Por exemplo, se você estiver dividindo um conjunto de dados em dois conjuntos, o conjunto de treinamento pode ter 80% dos dados, enquanto o conjunto de teste terá 20%.
A divisão de seus dados em três conjuntos de dados permite criar conjuntos de dados de treinamento, validação e teste. Você pode ver o desempenho do modelo no conjunto de dados de teste eliminando a coluna de destino.
Seu caso de uso determina quanto do conjunto de dados original cada um de seus conjuntos de dados obtém e o método usado para dividir os dados. Por exemplo, você pode querer usar uma divisão estratificada para garantir que a distribuição das observações na coluna alvo seja a mesma em todos os conjuntos de dados. Você pode usar as seguintes transformações divididas:
+ Divisão aleatória: Cada divisão é uma amostra aleatória e não sobreposta do conjunto de dados original. Para conjuntos de dados maiores, utilizar uma divisão aleatória pode ser computacionalmente custoso e levar mais tempo do que uma divisão ordenada.
+ Divisão ordenada: divide o conjunto de dados com base na ordem sequencial das observações. Por exemplo, em uma divisão de treino/teste de 80/20, as primeiras observações que compõem 80% do conjunto de dados são destinadas ao conjunto de treinamento. Os últimos 20% das observações vão para o conjunto de dados de teste. As divisões ordenadas são eficazes para manter a ordem existente dos dados entre as divisões.
+ Divisão estratificada: divide o conjunto de dados para garantir que o número de observações na coluna de entrada tenha representação proporcional. Para uma coluna de entrada que possui as observações 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 3, uma divisão de 80/20 nessa coluna significaria que aproximadamente 80% dos 1s, 80% dos 2s e 80% dos 3s iriam para o conjunto de treinamento. Cerca de 20% de cada tipo de observação vai para o conjunto de testes.
+ Dividir por chave: evita que dados com a mesma chave ocorram em mais de uma divisão. Por exemplo, se você tiver um conjunto de dados com a coluna “customer\$1id” e o estiver usando como chave, nenhum ID de cliente estará em mais de uma divisão.
Depois de dividir os dados, você pode aplicar transformações adicionais a cada conjunto de dados. Para a maioria dos casos de uso, eles não são necessários.
O Data Wrangler calcula as proporções das divisões para desempenho. Você pode escolher um limite de erro para definir a precisão das divisões. Limites de erro mais baixos refletem de forma mais precisa as proporções que você especifica para as divisões. Se você definir um limite de erro mais alto, obterá melhor desempenho, mas menor precisão.
Para dividir perfeitamente os dados, defina o limite de erro como 0. Você pode especificar um limite entre 0 e 1 para melhorar o desempenho. Se você especificar um valor maior que 1, o Data Wrangler interpretará esse valor como 1.
Se você tiver 10.000 linhas em seu conjunto de dados e especificar uma divisão 80/20 com um erro de 0,001, obterá observações que se aproximam de um dos seguintes resultados:
+ 8010 observações no conjunto de treinamento e 1990 no conjunto de testes
+ 7990 observações no conjunto de treinamento e 2010 no conjunto de testes
O número de observações para o conjunto de testes no exemplo anterior está no intervalo entre 8010 e 7990.
Por padrão, o Data Wrangler usa uma semente aleatória para tornar as divisões reproduzíveis. Você pode especificar um valor diferente para a semente para criar uma divisão reproduzível diferente.
------
#### [ Randomized split ]
Use o procedimento a seguir para realizar uma divisão aleatória em seu conjunto de dados.
Para dividir seu conjunto de dados aleatoriamente, faça o seguinte
1. Escolha o **\$1** ao lado do nó que contém o conjunto de dados que você está dividindo.
1. Escolha **Adicionar transformação**.
1. Escolha **Dividir dados**.
1. (Opcional) Para **Divisões**, especifique os nomes e as proporções de cada divisão. As proporções devem somar 1.
1. (Opcional) Escolha o **\$1** para criar uma divisão adicional.
1. Especifique os nomes e as proporções de todas as divisões. As proporções devem somar 1.
1. (Opcional) Especifique um valor para o **Limite de erro** diferente do valor padrão.
1. (Opcional) Especifique um valor para a **Semente aleatória**.
1. Escolha **Pré-visualizar**.
1. Escolha **Adicionar**.
------
#### [ Ordered split ]
Use o procedimento a seguir para realizar uma divisão ordenada em seu conjunto de dados.
Para fazer uma divisão ordenada em seu conjunto de dados, faça o seguinte:
1. Escolha o **\$1** ao lado do nó que contém o conjunto de dados que você está dividindo.
1. Escolha **Adicionar transformação**.
1. Em **Transformação**, escolha **Divisão ordenada**.
1. Escolha **Dividir dados**.
1. (Opcional) Para **Divisões**, especifique os nomes e as proporções de cada divisão. As proporções devem somar 1.
1. (Opcional) Escolha o **\$1** para criar uma divisão adicional.
1. Especifique os nomes e as proporções de todas as divisões. As proporções devem somar 1.
1. (Opcional) Especifique um valor para o **Limite de erro** diferente do valor padrão.
1. (Opcional) Para **Coluna de entrada**, especifique uma coluna com valores numéricos. Usa os valores das colunas para inferir quais registros estão em cada divisão. Os valores menores estão em uma divisão com os valores maiores nas outras divisões.
1. (Opcional) Selecione **Lidar com duplicatas** para adicionar ruído aos valores duplicados e criar um conjunto de dados com valores totalmente exclusivos.
1. (Opcional) Especifique um valor para a **Semente aleatória**.
1. Escolha **Pré-visualizar**.
1. Escolha **Adicionar**.
------
#### [ Stratified split ]
Use o procedimento a seguir para realizar uma divisão estratificada em seu conjunto de dados.
Para realizar uma divisão estratificada no seu conjunto de dados, faça o seguinte:
1. Escolha o **\$1** ao lado do nó que contém o conjunto de dados que você está dividindo.
1. Escolha **Adicionar transformação**.
1. Escolha **Dividir dados**.
1. Em **Transformação**, escolha **Divisão estratificada.**
1. (Opcional) Para **Divisões**, especifique os nomes e as proporções de cada divisão. As proporções devem somar 1.
1. (Opcional) Escolha o **\$1** para criar uma divisão adicional.
1. Especifique os nomes e as proporções de todas as divisões. As proporções devem somar 1.
1. Para **Coluna de entrada**, especifique uma coluna com até 100 valores exclusivos. O Data Wrangler não pode estratificar uma coluna com mais de 100 valores exclusivos.
1. (Opcional) Especifique um valor para o **Limite de erro** diferente do valor padrão.
1. (Opcional) Especifique um valor para **Semente aleatória** para especificar uma semente diferente.
1. Escolha **Pré-visualizar**.
1. Escolha **Adicionar**.
------
#### [ Split by column keys ]
Use o procedimento a seguir para dividir pelas chaves de coluna em seu conjunto de dados.
Para dividir pelas chaves de coluna em seu conjunto de dados, faça o seguinte:
1. Escolha o **\$1** ao lado do nó que contém o conjunto de dados que você está dividindo.
1. Escolha **Adicionar transformação**.
1. Escolha **Dividir dados**.
1. Em **Transformação**, escolha **Dividir por chave**.
1. (Opcional) Para **Divisões**, especifique os nomes e as proporções de cada divisão. As proporções devem somar 1.
1. (Opcional) Escolha o **\$1** para criar uma divisão adicional.
1. Especifique os nomes e as proporções de todas as divisões. As proporções devem somar 1.
1. Para **Colunas-chave**, especifique as colunas com valores que você não deseja que apareçam nos dois conjuntos de dados.
1. (Opcional) Especifique um valor para o **Limite de erro** diferente do valor padrão.
1. Escolha **Pré-visualizar**.
1. Escolha **Adicionar**.
------
## Analisar valor como tipo
Use essa transformação para converter uma coluna em um novo tipo. Os tipos de dados do Data Wrangler compatíveis são:
+ Longo
+ Float
+ Booleano
+ Data, no formato dd-MM-yyyy, representando dia, mês e ano, respectivamente.
+ String
## Validar segmento
Use as transformações **Validar segmento** para criar uma nova coluna que indica que uma linha de dados de texto atende a uma condição especificada. Por exemplo, você pode usar uma transformação **Validar segmento** para verificar se um segmento contém somente caracteres minúsculos. As seguintes transformações são compatíveis com **Validar segmento**:
As seguintes transformações estão incluídas nesse grupo de transformações: Se uma transformação gerar um valor booleano, `True` é representada com a `1` e `False` é representada com a `0`.
****
| Nome | Função |
| --- | --- |
| Tamanho da segmento | Retorna `True` se o comprimento de um segmento for igual ao comprimento especificado. Caso contrário, gera `False`. |
| Inicia com | Retorna `True` se um segmento começar com um prefixo especificado. Caso contrário, gera `False`. |
| Termina com | Retorna `True` se o comprimento de um segmento for igual ao comprimento especificado. Caso contrário, gera `False`. |
| É alfanumérico | Retorna `True` se um segmento tiver apenas números e letras. Caso contrário, gera `False`. |
| É alfa (letras) | Retorna `True` se um segmento tiver apenas letras. Caso contrário, gera `False`. |
| É dígito | Retorna `True` se um segmento tiver apenas dígitos. Caso contrário, gera `False`. |
| É espaço | Retorna `True` se um segmento tiver apenas números e letras. Caso contrário, gera `False`. |
| É título | Retorna `True` se um segmento tiver algum espaço em branco. Caso contrário, gera `False`. |
| Está em letra minúscula | Retorna `True` se um segmento tiver apenas letras minúsculas. Caso contrário, gera `False`. |
| Está em letra maiúscula | Retorna `True` se um segmento tiver apenas letras maiúsculas. Caso contrário, gera `False`. |
| É numérico | Retorna `True` se um segmento tiver apenas números. Caso contrário, gera `False`. |
| É decimal | Retorna `True` se um segmento tiver apenas números decimais. Caso contrário, gera `False`. |
## Desaninhar dados JSON
Se você tiver um arquivo.csv, talvez tenha valores em seu conjunto de dados que sejam segmentos JSON. Da mesma forma, você pode ter dados aninhados em colunas de um arquivo Parquet ou de um documento JSON.
Use o operador **estruturado nivelado** para separar as chaves de primeiro nível em colunas separadas. Uma chave de primeiro nível é uma chave que não está aninhada em um valor.
Por exemplo, você pode ter um conjunto de dados que tenha uma coluna *pessoa* com informações demográficas de cada pessoa armazenadas como segmentos JSON. Seu segmento JSON pode ser semelhante à seguinte:
```
"{"seq": 1,"name": {"first": "Nathaniel","last": "Ferguson"},"age": 59,"city": "Posbotno","state": "WV"}"
```
O operador **estruturado nivelado** converte as seguintes chaves de primeiro nível em colunas adicionais no seu conjunto de dados:
+ seq
+ name
+ idade
+ cidade
+ estado
O Data Wrangler coloca os valores das chaves como valores abaixo das colunas. Veja a seguir os nomes e valores das colunas do JSON.
```
seq, name, age, city, state
1, {"first": "Nathaniel","last": "Ferguson"}, 59, Posbotno, WV
```
Para cada valor em seu conjunto de dados contendo JSON, o operador **estruturado nivelado** cria colunas para as chaves de primeiro nível. Para criar colunas para chaves aninhadas, chame o operador novamente. Para o exemplo anterior, chamar o operador cria as colunas:
+ name\$1first
+ name\$1last
O exemplo a seguir mostra o conjunto de dados resultante de chamar a operação novamente.
```
seq, name, age, city, state, name_first, name_last
1, {"first": "Nathaniel","last": "Ferguson"}, 59, Posbotno, WV, Nathaniel, Ferguson
```
Escolha **Teclas para nivelar** para especificar as chaves de primeiro nível que você deseja extrair como colunas separadas. Se você não especificar nenhuma chave, o Data Wrangler extrairá todas as chaves por padrão.
## Explodir matriz
Use **Explode matriz** para expandir os valores da matriz em linhas de saída separadas. Por exemplo, a operação pode pegar cada valor na matriz, [[1, 2, 3,], [4, 5, 6], [7, 8, 9]] e criar uma nova coluna com as seguintes linhas:
```
[1, 2, 3]
[4, 5, 6]
[7, 8, 9]
```
O Data Wrangler nomeia a nova coluna como input\$1column\$1name\$1flatten.
Você pode chamar a operação **Explodir matriz** várias vezes para colocar os valores aninhados da matriz em colunas de saída separadas. O exemplo a seguir mostra o resultado de chamar a operação várias vezes em um conjunto de dados com uma matriz aninhada.
Colocando os valores de uma matriz aninhada em colunas separadas
| id | array | id | array\$1items | id | array\$1items\$1items |
| --- | --- | --- | --- | --- | --- |
| 1 | [[gato, cachorro], [morcego, sapo]] | 1 | [gato, cachorro] | 1 | cat |
| 2 | [[rosa, petúnia], [lírio, margarida]] | 1 | [morcego, sapo] | 1 | dog |
| | | 2 | [rosa, petúnia] | 1 | bat |
| | | 2 | [lírio, margarida] | 1 | sapo |
| | | | 2 | 2 | rose |
| | | | 2 | 2 | petúnia |
| | | | 2 | 2 | lírio |
| | | | 2 | 2 | margarida |
## Transformar dados de imagem
Use o Data Wrangler para importar e transformar as imagens que você está usando para seus pipelines de machine learning (ML). Depois de preparar os dados de imagem, você pode exportá-los do fluxo do Data Wrangler para o pipeline de ML.
Você pode usar as informações fornecidas aqui para se familiarizar com a importação e transformação de dados de imagem no Data Wrangler. O Data Wrangler usa o OpenCV para importar imagens. Para obter mais informações sobre os formatos de imagem compatíveis, consulte [Leitura e gravação de arquivos de imagem](https://docs.opencv.org/3.4/d4/da8/group__imgcodecs.html#ga288b8b3da0892bd651fce07b3bbd3a56).
Depois de se familiarizar com os conceitos de transformação de seus dados de imagem, leia o tutorial a seguir, [Preparar dados de imagem com o Amazon SageMaker Data Wrangler](https://aws.amazon.com/blogs/machine-learning/prepare-image-data-with-amazon-sagemaker-data-wrangler/).
Os setores e casos de uso a seguir são exemplos nos quais a aplicação de machine learning a dados de imagem transformados pode ser útil:
+ Fabricação - Identificação de defeitos em itens da linha de montagem
+ Alimentação - Identificação de alimentos estragados ou deteriorados
+ Medicina - Identificação de lesões nos tecidos
Ao trabalhar com dados de imagem no Data Wrangler, você passa pelo seguinte processo:
1. Importar - Selecione as imagens escolhendo o diretório que as contém em seu bucket do Amazon S3.
1. Transformar - Use as transformações integradas para preparar as imagens para seu pipeline de machine learning.
1. Exportar: Exporte as imagens que você transformou para um local que possa ser acessado a partir do pipeline.
Use o seguinte procedimento para importar seus dados de imagem:
**Para importar seus dados de imagem**
1. Navegue até a página **Criar conexão**.
1. Escolha **Amazon S3**.
1. Especifique o caminho do arquivo do Amazon S3 que contém os dados de imagem.
1. Em **Tipo de arquivo**, escolha **Imagem**.
1. (Opcional) Escolha **Importar diretórios aninhados** para importar imagens de vários caminhos do Amazon S3.
1. Escolha **Importar**.
O Data Wrangler usa a biblioteca [imgaug](https://imgaug.readthedocs.io/en/latest/) de código aberto para suas transformações de imagem integradas. É possível usar as seguintes transformações internas:
+ **ResizeImage**
+ **EnhanceImage**
+ **CorruptImage**
+ **SplitImage**
+ **DropCorruptedImages**
+ **DropImageDuplicates**
+ **Brightness**
+ **ColorChannels**
+ **Grayscale**
+ **Rotate**
Use o procedimento a seguir para transformar suas imagens sem escrever código.
**Para transformar os dados de imagem sem escrever código**
1. No fluxo do Data Wrangler, escolha o **\$1** ao lado do nó que representa as imagens que você importou.
1. Escolha **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Escolha a transformação e configure-a.
1. Escolha **Pré-visualizar**.
1. Escolha **Adicionar**.
Além de usar as transformações fornecidas pelo Data Wrangler, você também pode usar seus próprios trechos de código personalizados. Para obter mais informações sobre como usar snippets de código personalizados, consulte [Transformações personalizadas](#canvas-transform-custom). Você pode importar as bibliotecas OpenCV e imgaug em seus trechos de código e usar as transformações associadas a elas. O seguinte exemplo mostra um de um snippet de código que detecta bordas nas imagens:
```
# A table with your image data is stored in the `df` variable
import cv2
import numpy as np
from pyspark.sql.functions import column
from sagemaker_dataprep.compute.operators.transforms.image.constants import DEFAULT_IMAGE_COLUMN, IMAGE_COLUMN_TYPE
from sagemaker_dataprep.compute.operators.transforms.image.decorators import BasicImageOperationDecorator, PandasUDFOperationDecorator
@BasicImageOperationDecorator
def my_transform(image: np.ndarray) -> np.ndarray:
# To use the code snippet on your image data, modify the following lines within the function
HYST_THRLD_1, HYST_THRLD_2 = 100, 200
edges = cv2.Canny(image,HYST_THRLD_1,HYST_THRLD_2)
return edges
@PandasUDFOperationDecorator(IMAGE_COLUMN_TYPE)
def custom_image_udf(image_row):
return my_transform(image_row)
df = df.withColumn(DEFAULT_IMAGE_COLUMN, custom_image_udf(column(DEFAULT_IMAGE_COLUMN)))
```
Ao aplicar transformações em seu fluxo do Data Wrangler, o Data Wrangler as aplica somente a uma amostra das imagens em seu conjunto de dados. Para otimizar sua experiência com a aplicação, o Data Wrangler não aplica as transformações em todas as suas imagens.
## Filtrar dados
Use o Data Wrangler para filtrar os dados em suas colunas. Ao filtrar os dados em uma coluna, você especifica os seguintes campos:
+ **Nome da coluna**: O nome da coluna que você está usando para filtrar os dados.
+ **Condição**: O tipo de filtro que você está aplicando aos valores na coluna.
+ **Valor**: O valor ou a categoria na coluna à qual você está aplicando o filtro.
Você pode filtrar nas seguintes condições:
+ **=**: Retorna valores que correspondem ao valor ou categoria que você especifica.
+ **\$1=**: Retorna valores que correspondem ao valor ou categoria que você especifica.
+ **>=**: Para dados **longos** ou **flutuantes**, filtra valores maiores ou iguais ao valor especificado.
+ **<=**: Para dados **longos** ou **flutuantes**, filtra valores menores ou iguais ao valor especificado.
+ **>**: Para dados **longos** ou **flutuantes**, filtra valores maiores que o valor especificado.
+ **<**: Para dados **longos** ou **flutuantes**, filtra valores menores que o valor especificado.
Para uma coluna que tem as categorias `male` e `female`, você pode filtrar todos os valores `male`. Você também pode filtrar todos os valores `female`. Como há somente valores `male` e `female` na coluna, o filtro retorna uma coluna que só tem valores `female`.
Você também pode adicionar vários filtros. Os filtros podem ser aplicados em várias colunas ou na mesma coluna. Por exemplo, se você estiver criando uma coluna que só tem valores dentro de um determinado intervalo, você adiciona dois filtros diferentes. Um filtro especifica que a coluna deve ter valores maiores do que o valor fornecido. O outro filtro especifica que a coluna deve ter valores menores que o valor fornecido.
Use o procedimento a seguir para adicionar a transformação de filtro aos seus dados.
**Para filtrar seus dados**
1. No fluxo do Data Wrangler, escolha o **\$1** ao lado do nó com os dados que você está filtrando.
1. Escolha **Adicionar transformação**.
1. Escolha **Adicionar etapa**.
1. Escolha **Filtrar dados**.
1. Especifique os seguintes campos:
+ **Nome da coluna**: A coluna que você está filtrando.
+ **Condição**: A condição do filtro.
+ **Valor**: O valor ou a categoria na coluna à qual você está aplicando o filtro.
1. (Opcional) Escolha **\$1** seguindo o filtro que você criou.
1. Configure o filtro.
1. Escolha **Pré-visualizar**.
1. Escolha **Adicionar**.
# Chat para preparação de dados
**Importante**
Para administradores:
O bate-papo para preparação de dados exige a política `AmazonSageMakerCanvasAIServicesAccess`. Para obter mais informações, consulte [AWS política gerenciada: AmazonSageMakerCanvas AIServices Acesso](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess).
O bate-papo para preparação de dados requer acesso ao Amazon Bedrock e ao modelo **Anthropic Claude** dentro dele. Para obter mais informações, consulte [Adicionar acesso ao modelo](https://docs.aws.amazon.com/bedrock/latest/userguide/model-access.html#add-model-access).
Você deve executar SageMaker a preparação de dados do Canvas na Região da AWS mesma região em que está executando seu modelo. O chat para preparação de dados está disponível no Leste dos EUA (Norte da Virgínia), Oeste dos EUA (Oregon) e Europa (Frankfurt). Regiões da AWS
Além de usar as transformações e análises integradas, você pode usar a linguagem natural para explorar, visualizar e transformar seus dados em uma interface conversacional. Na interface conversacional, você pode usar consultas em linguagem natural para entender e preparar seus dados para criar modelos de ML.
Veja a seguir exemplos de alguns prompts que você pode usar:
+ Resumir meus dados
+ Remover coluna `example-column-name`
+ Substituir valores ausentes por mediana
+ Traçar o histograma dos preços
+ Qual é o item mais caro vendido?
+ Quantos itens distintos foram vendidos?
+ Classificar dados por região
Ao transformar seus dados usando seus prompts, você pode ver uma prévia que mostra como os dados estão sendo transformados. Você pode optar por adicioná-la como etapa em seu fluxo do Data Wrangler com base no que você vê na pré-visualização.
As respostas os seus prompts geram código para suas transformações e análises. Você pode modificar o código para atualizar a saída a partir do prompt. Por exemplo, você pode modificar o código de uma análise para alterar os valores dos eixos de um gráfico.
Use o seguinte procedimento para começar a conversar com seus dados:
**Conversar com seus dados**
1. Abra o fluxo de dados do SageMaker Canvas.
1. Escolher o balão de fala.
![\[O bate-papo para preparação de dados está na parte superior da tela\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/chat-for-data-prep-welcome-step.png)
1. Especifique um prompt.
1. (Opcional) Se uma análise tiver sido gerada pela sua consulta, escolha **Adicionar às análises** para referenciá-la posteriormente.
![\[A visualização de um bloco de código editável e copiável.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/encanto-query-for-visualization.png)
1. (Opcional) Se você transformou seus dados usando um prompt, faça o seguinte:
1. Selecione **Pré-visualizar** para visualizar os resultados.
1. (Opcional) Modifique o código na transformação e escolha **Atualizar**.
1. (Opcional) Se você estiver satisfeito com os resultados da transformação, escolha **Adicionar às etapas** para adicioná-la ao painel de etapas na navegação à direita.
![\[Adicionado às etapas mostra a confirmação de que a transformação foi adicionada ao fluxo.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/transform-added-to-steps-panel.png)
Depois de preparar seus dados usando linguagem natural, você pode criar um modelo usando seus dados transformados. Para obter mais informações sobre a criação de um modelo, consulte [Como os modelos personalizados funcionam](canvas-build-model.md).
# Como o processamento de dados funciona no Data Wrangler
Ao trabalhar com dados de forma interativa em um fluxo de SageMaker dados do Amazon Data Wrangler, o Amazon SageMaker Canvas só aplica as transformações a um conjunto de dados de amostra para você visualizar. Depois de terminar seu fluxo de dados no SageMaker Canvas, você pode processar todos os seus dados e salvá-los em um local adequado para seus fluxos de trabalho de aprendizado de máquina.
Há várias opções de como proceder depois de terminar de transformar seus dados no Data Wrangler:
+ [Criar um modelo](canvas-processing-export-model.md). Você pode criar um modelo Canvas, onde você começa diretamente a criar um modelo com seus dados preparados. Você pode criar um modelo depois de processar todo o conjunto de dados ou exportando apenas os dados de amostra com os quais você trabalhou no Data Wrangler. O Canvas salva seus dados processados (o conjunto de dados inteiro ou os dados de amostra) como um conjunto de dados do Canvas.
Recomendamos que você use seus dados de amostra para iterações rápidas, mas use todos os dados quando quiser treinar seu modelo final. Ao criar modelos tabulares, conjuntos de dados maiores que 5 GB são automaticamente reduzidos para 5 GB e, para modelos de previsão de séries temporais, conjuntos de dados maiores que 30 GB são reduzidos para 30 GB.
Para saber mais sobre como criar um modelo, consulte [Como os modelos personalizados funcionam](canvas-build-model.md).
+ [Exportar os dados](canvas-export-data.md). Você pode exportar seus dados para uso em fluxos de trabalho de machine learning. Ao escolher exportar seus dados, você tem várias opções:
+ Você pode salvar seus dados na aplicação Canvas como um conjunto de dados. Para obter mais informações sobre os tipos de arquivo compatíveis com conjuntos de dados do Canvas e requisitos adicionais ao importar dados para o Canvas, consulte. [Criar um conjunto de dados](canvas-import-dataset.md)
+ Você pode salvar seus dados no Amazon S3. Dependendo da disponibilidade de memória do Canvas, seus dados são processados na aplicação e depois exportados para o Amazon S3. Se o tamanho do seu conjunto de dados exceder o que o Canvas pode processar, então, por padrão, o Canvas usa um trabalho do EMR com tecnologia sem servidor para escalar para várias instâncias de computação, processar seu conjunto de dados completo e exportá-lo para o Amazon S3. Você também pode configurar manualmente um trabalho SageMaker de processamento para ter um controle mais granular sobre os recursos computacionais usados para processar seus dados.
+ [Exportar um fluxo de dados](canvas-export-data-flow.md). Talvez você queira salvar o código do seu fluxo de dados para poder modificar ou executar suas transformações fora do Canvas. O Canvas oferece a opção de salvar suas transformações de fluxo de dados como código Python em um caderno Jupyter, que você pode então exportar para o Amazon S3 para uso em qualquer lugar em seus fluxos de trabalho de machine learning.
Quando você exporta seus dados de um fluxo de dados e os salva como um conjunto de dados do Canvas ou para o Amazon S3, o Canvas cria um novo nó de destino em seu fluxo de dados, que é um nó final que mostra onde seus dados processados estão armazenados. Você pode adicionar outros nós de destino ao seu fluxo se quiser realizar várias operações de exportação. Por exemplo, você pode exportar os dados de diferentes pontos em seu fluxo de dados para aplicar apenas algumas das transformações, ou você pode exportar dados transformados para diferentes locais do Amazon S3. Para obter mais informações sobre como adicionar ou editar um nó de destino, consulte [Adicionar nós de destino](canvas-destination-nodes-add.md) e [Editar um nó de destino](canvas-destination-nodes-edit.md) .
Para obter mais informações sobre como configurar um cronograma com EventBridge a Amazon para processar e exportar automaticamente seus dados de acordo com um cronograma, consulte[Crie um cronograma para processar automaticamente novos dados](canvas-data-export-schedule-job.md).
# Exportar para criar um modelo
Com apenas alguns cliques do seu fluxo de dados, você pode exportar seus dados transformados e começar a criar um modelo de ML no Canvas. O Canvas salva seus dados como um conjunto de dados do Canvas e você é direcionado para a página de configuração de construção do modelo para um novo modelo.
Para criar um modelo Canvas com seus dados transformados:
1. Navegue até o fluxo de dados.
1. Escolha o ícone de reticências ao lado do nó que você está exportando.
1. No menu de contexto, escolha **Criar modelo**.
1. No painel lateral **Exportar para criar um modelo**, insira o **nome do conjunto de dados** para o novo conjunto de dados.
1. Deixe a opção **Processar todo o conjunto** de dados selecionada para processar e exportar todo o conjunto de dados antes de continuar com a criação de um modelo. Desative essa opção para treinar seu modelo usando os dados de amostra interativos com os quais você está trabalhando em seu fluxo de dados.
1. Insira o **nome do modelo** para nomear o novo modelo.
1. Selecione um **tipo de problema** ou o tipo de modelo que você deseja criar. Para obter mais informações sobre os tipos de modelos suportados no SageMaker Canvas, consulte[Como os modelos personalizados funcionam](canvas-build-model.md).
1. Selecione a **coluna Alvo** ou o valor que você deseja que o modelo preveja.
1. Escolha **Exportar e criar modelo**.
A guia **Construir** para um novo modelo do Canvas deve ser aberta e você pode concluir a configuração e o treinamento do seu modelo. Para obter mais informações sobre a criação de um modelo, consulte [Criar um modelo](canvas-build-model-how-to.md).
# Exportar dados
Exporte dados para aplicar as transformações do seu fluxo de dados ao conjunto de dados importado completo. Você pode exportar qualquer nó em seu fluxo de dados para os seguintes locais:
+ SageMaker Conjunto de dados Canvas
+ Amazon S3
Se você quiser treinar modelos no Canvas, você pode exportar seu conjunto de dados completo e transformado como um conjunto de dados do Canvas. Se você quiser usar seus dados transformados em fluxos de trabalho de aprendizado de máquina externos ao SageMaker Canvas, você pode exportar seu conjunto de dados para o Amazon S3.
## Exportar para um conjunto de dados do Canvas
Use o procedimento a seguir para exportar um conjunto de dados do SageMaker Canvas de um nó em seu fluxo de dados.
**Para exportar um nó em seu fluxo como um conjunto de dados do SageMaker Canvas**
1. Navegue até o fluxo de dados.
1. Escolha o ícone de reticências ao lado do nó que você está exportando.
1. No menu de contexto, passe o mouse sobre **Exportar** e selecione **Exportar dados para o conjunto de dados do Canvas**.
1. No painel lateral **Exportar para o conjunto de dados do Canvas**, insira um **nome de conjunto de dados** para o novo conjunto de dados.
1. Deixe a opção **Processar todo o conjunto** de dados selecionada se quiser que o SageMaker Canvas processe e salve seu conjunto de dados completo. Desative essa opção para aplicar somente as transformações aos dados de amostra com os quais você está trabalhando no seu fluxo de dados.
1. Escolha **Exportar**.
Agora você deve poder acessar a página de **conjuntos de dados** da aplicação Canvas e ver seu novo conjunto de dados.
## Exportar para o Amazon S3.
Ao exportar dados para o Amazon S3, você pode escalar para transformar e processar dados de qualquer tamanho. O Canvas processa automaticamente seus dados localmente se a memória da aplicação puder lidar com o tamanho do seu conjunto de dados. Se o tamanho do seu conjunto de dados exceder a capacidade de memória local de 5 GB, o Canvas iniciará um trabalho remoto em seu nome para provisionar recursos computacionais adicionais e processar os dados mais rapidamente. Por padrão, o Canvas usa o Amazon EMR Sem Servidor para executar esses trabalhos remotos. No entanto, você pode configurar manualmente o Canvas para usar o EMR Serverless ou um trabalho de SageMaker processamento com suas próprias configurações.
**nota**
Ao executar um trabalho do EMR com tecnologia sem servidor, por padrão, o trabalho herda o perfil do IAM, as configurações da chave do KMS e as tags da sua aplicação Canvas.
Segue um resumo das opções de trabalho remoto no Canvas:
+ **EMR com tecnologia sem servidor**: Essa é a opção padrão que o Canvas usa para trabalhos remotos. O EMR com tecnologia sem servidor provisiona e escala automaticamente os recursos de computação para processar seus dados, de forma que você não precise se preocupar em escolher os recursos computacionais certos para seu workload. Para obter mais informações sobre o EMR com tecnologia sem servidor, consulte o [Guia do usuário do EMR com tecnologia sem servidor.](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/emr-serverless.html)
+ **SageMaker Processamento**: os trabalhos de SageMaker processamento oferecem opções mais avançadas e controle granular sobre os recursos computacionais usados para processar seus dados. Por exemplo, você pode especificar o tipo e a contagem das instâncias de computação, configurar o trabalho em sua própria VPC e controlar o acesso à rede, automatizar trabalhos de processamento e muito mais. Para obter mais informações sobre esses processos, consulte [Crie um cronograma para processar automaticamente novos dados](canvas-data-export-schedule-job.md). Para obter mais informações gerais sobre trabalhos SageMaker de processamento, consulte[Cargas de trabalho de transformação de dados com processamento SageMaker](processing-job.md).
Os seguintes tipos de arquivo são compatíveis ao exportar para o Amazon S3:
+ CSV
+ Parquet
Para começar, revise os pré-requisitos a seguir.
### Pré-requisitos para tarefas do EMR com tecnologia sem servidor
Para criar um trabalho remoto que usa recursos do EMR com tecnologia sem servidor, você deve ter as permissões necessárias. Você pode conceder permissões por meio das configurações de domínio ou perfil de usuário do Amazon SageMaker AI, ou pode configurar manualmente a função do AWS IAM do usuário. Para obter instruções sobre como conceder aos usuários permissões para realizar grandes processamentos de dados, consulte[Conceda aos usuários permissões para usar grandes volumes de dados em todo o ciclo de vida do ML](canvas-large-data-permissions.md).
Se você não quiser configurar essas políticas, mas ainda precisar processar grandes conjuntos de dados por meio do Data Wrangler, você pode usar uma SageMaker tarefa de processamento como alternativa.
Se quiser armazenar seus dados exportados no Amazon S3, use o procedimento a seguir. Para configurar um trabalho remoto, siga as etapas avançadas opcionais.
**Para exportar um nó em seu fluxo para o Amazon S3**
1. Navegue até o fluxo de dados.
1. Escolha o ícone de reticências ao lado do nó que você está exportando.
1. No menu de contexto, passe o mouse sobre **Exportar** e selecione **Exportar dados para o Amazon S3**.
1. No painel lateral **Exportar para o Amazon S3**, você pode alterar o **nome do conjunto de dados** para o novo conjunto de dados.
1. Para a **localização do S3**, insira a localização do Amazon S3 para a qual você deseja exportar o conjunto de dados. Você pode inserir o URI, o alias ou o ARN do S3 da localização do S3 ou do ponto de acesso do S3. Para obter mais informações, consulte [Gerenciando o acesso a dados com o recurso Pontos de Acesso Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-points.html) no *Guia do usuário do Amazon S3*.
1. (Opcional) Para as **configurações avançadas**, especifique valores para os seguintes campos:
1. **Tipo de arquivo**: o formato de arquivo dos dados exportados.
1. **Delimitador**: o delimitador utilizado para separar valores no arquivo.
1. **Compressão**: o método de compactação usado para reduzir o tamanho do arquivo.
1. **Número de partições**: o número de arquivos de conjunto de dados que o Canvas grava como saída do trabalho.
1. **Escolher colunas**: você pode escolher um subconjunto de colunas dos dados para incluir nas partições.
1. Deixe a opção **Processar todo o conjunto** de dados selecionada se quiser que o Canvas aplique suas transformações de fluxo de dados em todo o conjunto de dados e exporte o resultado. Se você desmarcar essa opção, o Canvas aplicará somente as transformações à amostra do seu conjunto de dados usado no fluxo de dados interativo do Data Wrangler.
**nota**
Se você exportar apenas uma amostra dos seus dados, o Canvas processa seus dados na aplicação e não cria um trabalho remoto para você.
1. Deixe a opção **Configuração automática da tarefa** selecionada se quiser que o Canvas determine automaticamente se a tarefa deve ser executada usando a memória da aplicação Canvas ou uma tarefa do EMR Sem Servidor. Se você desmarcar essa opção e configurar manualmente sua tarefa, poderá optar por usar uma tarefa EMR Serverless ou Processing. SageMaker Para obter instruções sobre como configurar um EMR Serverless ou um trabalho de SageMaker processamento, consulte a seção após esse procedimento antes de exportar seus dados.
1. Escolha **Exportar**.
Os procedimentos a seguir mostram como definir manualmente as configurações de trabalho remoto para o EMR Serverless ou SageMaker Processing ao exportar seu conjunto de dados completo para o Amazon S3.
------
#### [ EMR Serverless ]
Para configurar um trabalho do EMR com tecnologia sem servidor durante a exportação para o Amazon S3, faça o seguinte:
1. No painel lateral Exportar para o Amazon S3, desative a opção **Configuração automática de tarefas**.
1. Selecione **EMR com tecnologia sem servidor**.
1. Em **Nome do trabalho**, insira um nome para o seu trabalho EMR com tecnologia sem servidor. O nome só pode conter letras, números, hifens e sublinhado.
1. Para a **função IAM**, insira a função de execução do IAM do usuário. Essa função deve ter as permissões necessárias para executar aplicações EMR com tecnologia sem servidor. Para obter mais informações, consulte [Conceda aos usuários permissões para usar grandes volumes de dados em todo o ciclo de vida do ML](canvas-large-data-permissions.md).
1. (Opcional) Para a **chave KMS**, especifique o ID da chave ou o ARN de AWS KMS key um para criptografar os registros do trabalho. Se você não inserir uma chave, o Canvas utilizará uma chave padrão para o EMR com tecnologia sem servidor.
1. (Opcional) Para **configuração de monitoramento**, insira o nome de um grupo de CloudWatch logs do Amazon Logs no qual você deseja publicar seus registros.
1. (Opcional) Para **tags, adicione tags** de metadados à tarefa do EMR com tecnologia sem servidor que consiste em pares de valores-chave. Essas tags podem ser usadas para categorizar e pesquisar empregos.
1. Selecione **Export** para iniciar o trabalho.
------
#### [ SageMaker Processing ]
Para configurar um trabalho SageMaker de processamento durante a exportação para o Amazon S3, faça o seguinte:
1. No painel lateral **Exportar para o Amazon S3**, desative a opção **Configuração automática de tarefas**.
1. Selecione **SageMaker Processamento**.
1. Em **Nome do trabalho**, insira um nome para seu trabalho de processamento de SageMaker IA.
1. Em **Tipo de instância**, selecione o tipo de instância de computação para executar o trabalho de processamento.
1. Para **Contagem de instâncias**, especifique o número de instâncias de computação a serem iniciadas.
1. Para a **função IAM**, insira a função de execução do IAM do usuário. Essa função deve ter as permissões necessárias para que a SageMaker IA crie e execute trabalhos de processamento em seu nome. Essas permissões são concedidas se você tiver a [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)política anexada à sua função do IAM.
1. Em **Tamanho do volume**, insira o tamanho do armazenamento em GB para o volume de armazenamento de ML que está anexado a cada instância de processamento. Escolha o tamanho com base no tamanho esperado dos dados de entrada e saída.
1. (Opcional) Para a **chave KMS de volume**, especifique uma chave do KMS para criptografar o volume de armazenamento. Se você não especificar uma chave, a chave de criptografia Amazon EBS padrão será usada.
1. (Opcional) Para a **chave do KMS**, especifique uma chave do KMS para criptografar as fontes de dados de entrada e saída do Amazon S3 usadas pelo trabalho de processamento.
1. (Opcional) Em **Configuração de memória Spark**, faça o seguinte:
1. Insira a **memória do driver em MB** para o nó do driver do Spark que gerencia a coordenação e o agendamento do trabalho.
1. Insira a **memória do executor em MB** para os nós executores do Spark que executam tarefas individuais na tarefa.
1. (Opcional) Para **configuração de rede**, faça o seguinte:
1. Em **Configuração de sub-rede**, insira as IDs sub-redes VPC nas quais as instâncias de processamento serão iniciadas. Por padrão, o trabalho usa as configurações da sua VPC padrão.
1. Em **Configuração do grupo de segurança**, insira os grupos IDs de segurança para controlar as regras de conectividade de entrada e saída.
1. Ative a opção **Habilitar criptografia de tráfego entre contêineres** para criptografar a comunicação de rede entre contêineres de processamento durante o trabalho.
1. (Opcional) Para **agendas de associados**, você pode escolher criar uma EventBridge programação da Amazon para que o trabalho de processamento seja executado em intervalos recorrentes. Escolha **Criar nova programação** e preencha a caixa de diálogo. [Crie um cronograma para processar automaticamente novos dados](canvas-data-export-schedule-job.md): tenha uma visão geral do ciclo de vida de ML e conheça as soluções oferecidas.
1. (Opcional) Adicione **tags** como pares de valores-chave para que você possa categorizar e pesquisar trabalhos de processamento.
1. Selecione **Export** para iniciar o trabalho.
------
Depois de exportar os dados, você deve encontrar o conjunto de dados totalmente processado na localização especificada do Amazon S3.
# Exportar um fluxo de dados
Exportar seu fluxo de dados traduz as operações que você fez no Data Wrangler e as exporta para um caderno Jupyter com código Python que você pode modificar e executar. Isso pode ser útil para integrar o código para suas transformações de dados em seus pipelines de machine learning.
Você pode escolher qualquer nó de dados em seu fluxo de dados e exportá-lo. A exportação do nó de dados exporta a transformação que o nó representa e as transformações que a precedem.
**Para exportar um fluxo de dados como um caderno Jupyter**
1. Navegue até o fluxo de dados.
1. Selecione o ícone de reticências ao lado do nó que você deseja exportar.
1. No menu de contexto, passe o mouse sobre **Exportar** e, em seguida, passe o mouse sobre **Exportar via caderno Jupyter**.
1. Escolha uma das seguintes opções:
+ **SageMaker Pipelines**
+ **Amazon S3**
+ **SageMaker Pipeline de inferência de IA**
+ **SageMaker Loja de recursos de IA**
+ **Código Python**
1. A caixa de diálogo **Exportar fluxo de dados como caderno** é aberta. Selecione um dos seguintes:
+ **Baixar uma cópia local**
+ **Exportar para o local do S3**
1. Se você selecionou **Exportar para o local do S3**, insira o local do Amazon S3 para o qual deseja exportar o caderno.
1. Escolha **Exportar**.
Seu caderno Jupyter deve ser baixado para sua máquina local ou você pode encontrá-lo salvo no local do Amazon S3 que você especificou.
# Adicionar nós de destino
Um nó de destino no SageMaker Canvas especifica onde armazenar seus dados processados e transformados. Quando você escolhe exportar seus dados transformados para o Amazon S3, o Canvas usa a localização do nó de destino especificado, aplicando todas as transformações que você configurou em seu fluxo de dados. Para obter mais informações sobre trabalhos de exportação para o Amazon S3, consulte a seção anterior. [Exportar para o Amazon S3.](canvas-export-data.md#canvas-export-data-s3)
Por padrão, escolher exportar os dados para o Amazon S3 adiciona um nó de destino ao fluxo de dados. No entanto, você pode adicionar vários nós de destino ao seu fluxo, permitindo que você exporte simultaneamente diferentes conjuntos de transformações ou variações de seus dados para diferentes locais do Amazon S3. Por exemplo, você pode criar um nó de destino que exporta os dados depois de aplicar todas as transformações e outro nó de destino que exporta os dados somente após determinadas transformações iniciais, como uma operação de junção. Essa flexibilidade permite que você exporte e armazene diferentes versões ou subconjuntos de seus dados transformados em locais separados do S3 para vários casos de uso.
Use o procedimento a seguir para adicionar um nó de destino ao seu fluxo de dados.
**Adicionar um novo nó de destino**
1. Navegue até o fluxo de dados.
1. Escolha o ícone de reticências ao lado do nó em que você deseja colocar o nó de destino.
1. No menu de contexto, passe o mouse sobre **Exportar** e selecione **Adicionar destino**.
1. No painel lateral **Destino da exportação**, insira um **nome do conjunto de dados** para nomear a saída.
1. Para a **localização do Amazon S3**, insira a localização do Amazon S3 para a qual você deseja exportar a saída. Você pode inserir o URI, o alias ou o ARN do S3 da localização do S3 ou do ponto de acesso do S3. Para obter mais informações, consulte [Gerenciando o acesso a dados com o recurso Pontos de Acesso Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-points.html) no *Guia do usuário do Amazon S3*.
1. Para **Configurações de exportação**, especifique os seguintes campos:
1. **Tipo de arquivo**: O formato do arquivo dos dados exportados.
1. **Delimitador**: o delimitador utilizado para separar valores no arquivo.
1. **Compressão**: o método de compactação usado para reduzir o tamanho do arquivo.
1. Para **particionamento**, especifique os seguintes campos:
1. **Número de partições** — O número de arquivos do conjunto de dados que o SageMaker Canvas grava como saída do trabalho.
1. **Escolher colunas**: você pode escolher um subconjunto de colunas dos dados para incluir nas partições.
1. Escolha **Adicionar** se quiser simplesmente adicionar um nó de destino ao seu fluxo de dados, ou escolha **Adicionar** e, em seguida, escolha **Exportar** se quiser adicionar o nó e iniciar um trabalho de exportação.
Agora você deve ver um novo nó de destino em seu fluxo.
# Editar um nó de destino
Um *nó de destino* em um fluxo de dados do Amazon SageMaker Canvas especifica o local do Amazon S3 onde seus dados processados e transformados são armazenados, aplicando todas as transformações configuradas em seu fluxo de dados. Você pode editar a configuração de um nó de destino existente e, em seguida, optar por executar novamente o trabalho para sobrescrever os dados no local especificado do Amazon S3. Para obter mais informações sobre a adição de um novo nó de destino, consulte [Adicionar nós de destino](canvas-destination-nodes-add.md).
Use o procedimento a seguir para editar um nó de destino em seu fluxo de dados e iniciar um trabalho de exportação.
**Editar um nó de destino**
1. Navegue até o fluxo de dados.
1. Escolha o ícone de reticências ao lado do nó de destino que você deseja editar.
1. No menu contextual, escolha **Editar**.
1. O painel lateral **Editar destino** é aberto. Nesse painel, você pode editar detalhes como o nome do conjunto de dados, a localização do Amazon S3 e as configurações de exportação e particionamento.
1. (Opcional) Em **Nós adicionais para exportar**, você pode selecionar mais nós de destino para processar ao executar o trabalho de exportação.
1. Deixe a opção **Processar todo o conjunto** de dados selecionada se quiser que o Canvas aplique suas transformações de fluxo de dados em todo o conjunto de dados e exporte o resultado. Se você desmarcar essa opção, o Canvas aplicará somente as transformações à amostra do seu conjunto de dados usado no fluxo de dados interativo do Data Wrangler.
1. Deixe a opção **Configuração automática da tarefa** selecionada se quiser que o Canvas determine automaticamente se a tarefa deve ser executada usando a memória da aplicação Canvas ou uma tarefa do EMR Sem Servidor. Se você desmarcar essa opção e configurar manualmente sua tarefa, poderá optar por usar uma tarefa EMR Serverless ou Processing. SageMaker Para obter instruções sobre como configurar um EMR Serverless ou um trabalho de SageMaker processamento, consulte a seção anterior. [Exportar para o Amazon S3.](canvas-export-data.md#canvas-export-data-s3)
1. Quando terminar de fazer alterações, escolha **Atualizar**.
Salvar alterações na configuração do nó de destino não executa automaticamente uma tarefa nem substitui dados que já foram processados e exportados. Exporte seus dados novamente para executar um trabalho com a nova configuração. Se você decidir exportar seus dados novamente com um trabalho, o Canvas usa a configuração atualizada do nó de destino para transformar e enviar os dados para o local especificado, sobrescrevendo quaisquer dados existentes.
# Crie um cronograma para processar automaticamente novos dados
**nota**
A seção a seguir se aplica somente aos trabalhos SageMaker de processamento. Se você usou as configurações padrão do Canvas ou o EMR com tecnologia sem servidor para criar um trabalho remoto para aplicar transformações em seu conjunto de dados completo, esta seção não se aplica.
Se você estiver processando dados periodicamente, poderá criar um cronograma para executar o trabalho de processamento automaticamente. Por exemplo, você pode criar uma programação que execute um trabalho de processamento automaticamente quando você obtiver novos dados. Para obter mais informações sobre o processamento de trabalhos, consulte [Exportar para o Amazon S3.](canvas-export-data.md#canvas-export-data-s3).
Ao criar um trabalho, você deve especificar um perfil do IAM que tenha permissões para criar o trabalho. Você pode usar a [AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)política para adicionar permissões.
Adicione a seguinte política de confiança à função para permitir que você EventBridge a assuma.
```
{
"Effect": "Allow",
"Principal": {
"Service": "events.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
```
**Importante**
Quando você cria uma agenda, o Data Wrangler cria uma `eventRule` entrada. EventBridge Você incorre em cobranças pelas regras de eventos que você cria e pelas instâncias usadas para executar o trabalho de processamento.
Para obter informações sobre EventBridge preços, consulte [ EventBridge Preços da Amazon](https://aws.amazon.com/eventbridge/pricing/). Para obter informações sobre o processamento de preços de trabalhos, consulte [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
É possível criar uma programação usando um dos seguintes métodos:
+ [Expressões CRON](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-create-rule-schedule.html)
**nota**
O Data Wrangler não é compatível com as seguintes expressões:
LW\$1
Abreviações para dias
Abreviações para meses
+ [Expressões RATE](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-create-rule-schedule.html#eb-rate-expressions)
+ Recorrente: defina um intervalo de hora em hora ou diário para executar o trabalho.
+ Horário específico: defina dias e horários específicos para executar o trabalho.
As seções a seguir fornecem procedimentos sobre o agendamento de trabalhos ao preencher as configurações do trabalho de processamento de SageMaker IA ao [exportar seus dados para o Amazon S3](canvas-export-data.md#canvas-export-data-s3). Todas as instruções a seguir começam na seção **Agendamentos associados** das configurações do trabalho de SageMaker processamento.
------
#### [ CRON ]
Use o procedimento a seguir para criar uma agenda com uma expressão CRON.
1. **No painel lateral **Exportar para o Amazon S3**, verifique se você desativou a opção **Configuração automática de tarefas** e selecionou a SageMaker opção Processamento.**
1. Nas configurações do trabalho **SageMaker de processamento**, abra a seção **Associar agendamentos** e escolha **Criar novo agendamento**.
1. A caixa de diálogo **Criar um novo perfil** é aberta. Em **Nome do agendamento**, especifique o nome do agendamento.
1. Em **Frequência de execução**, escolha **CRON.**
1. Para cada um dos campos **Minutos**, **Horas**, **Dias do mês****, Mês** e **Dia da semana**, insira valores de expressão CRON válidos.
1. Escolha **Criar**.
1. (Opcional) Escolha **Adicionar outro agendamento** para executar o trabalho em um agendamento adicional.
**nota**
Você pode associar no máximo duas programações. Os horários são independentes e não se afetam, a menos que os horários se sobreponham.
1. Escolha uma das seguintes opções:
+ **Agende e execute agora**: o trabalho é executado imediatamente e, posteriormente, executado de acordo com os cronogramas.
+ **Somente agendamento**: o trabalho só é executado nas programações que você especificar.
1. Escolha **Exportar** depois de preencher o restante das configurações do trabalho de exportação.
------
#### [ RATE ]
Use o procedimento a seguir para criar uma programação com uma expressão RATE.
1. **No painel lateral **Exportar para o Amazon S3**, verifique se você desativou a opção **Configuração automática de tarefas** e selecionou a SageMaker opção Processamento.**
1. Nas configurações do trabalho **SageMaker de processamento**, abra a seção **Associar agendamentos** e escolha **Criar novo agendamento**.
1. A caixa de diálogo **Criar um novo perfil** é aberta. Em **Nome do agendamento**, especifique o nome do agendamento.
1. Em **Frequência de execução**, escolha **Taxa**.
1. Em **Valor**, especifique um valor inteiro.
1. Em **Unidade**, selecione uma das seguintes opções:
+ **Minutos**
+ **Horas**
+ **Dias**
1. Escolha **Criar**.
1. (Opcional) Escolha **Adicionar outro agendamento** para executar o trabalho em um agendamento adicional.
**nota**
Você pode associar no máximo duas programações. Os horários são independentes e não se afetam, a menos que os horários se sobreponham.
1. Escolha uma das seguintes opções:
+ **Agende e execute agora**: o trabalho é executado imediatamente e, posteriormente, executado de acordo com os cronogramas.
+ **Somente agendamento**: o trabalho só é executado nas programações que você especificar.
1. Escolha **Exportar** depois de preencher o restante das configurações do trabalho de exportação.
------
#### [ Recurring ]
Use o procedimento a seguir para criar um cronograma que execute um trabalho de forma recorrente.
1. **No painel lateral **Exportar para o Amazon S3**, verifique se você desativou a opção **Configuração automática de tarefas** e selecionou a SageMaker opção Processamento.**
1. Nas configurações do trabalho **SageMaker de processamento**, abra a seção **Associar agendamentos** e escolha **Criar novo agendamento**.
1. A caixa de diálogo **Criar um novo perfil** é aberta. Em **Nome do agendamento**, especifique o nome do agendamento.
1. Em **Frequência de execução**, escolha **Recorrente.**
1. Para **Cada x horas**, especifique a frequência horária com que o trabalho é executado durante o dia. Os valores válidos são números inteiros no intervalo inclusivo de **1** e **23**.
1. Para **Em dias**, escolha uma das seguintes opções:
+ **Todos os dias**
+ **Finais de semana**
+ **Dias da semana**
+ **Selecionar dias**
1. (Opcional) Se você selecionou **Selecionar dias**, escolha os dias da semana para executar o trabalho.
**nota**
A programação é reiniciada todos os dias. Se você agendar um trabalho para ser executado a cada cinco horas, ele será executado nos seguintes horários do dia:
00:00
05:00
10:00
15:00
20:00
1. Escolha **Criar**.
1. (Opcional) Escolha **Adicionar outro agendamento** para executar o trabalho em um agendamento adicional.
**nota**
Você pode associar no máximo duas programações. Os horários são independentes e não se afetam, a menos que os horários se sobreponham.
1. Escolha uma das seguintes opções:
+ **Agende e execute agora**: o trabalho é executado imediatamente e, posteriormente, executado de acordo com os cronogramas.
+ **Somente agendamento**: o trabalho só é executado nas programações que você especificar.
1. Escolha **Exportar** depois de preencher o restante das configurações do trabalho de exportação.
------
#### [ Specific time ]
Use o procedimento a seguir para criar uma programação que execute um trabalho em horários específicos.
1. **No painel lateral **Exportar para o Amazon S3**, verifique se você desativou a opção **Configuração automática de tarefas** e selecionou a SageMaker opção Processamento.**
1. Nas configurações do trabalho **SageMaker de processamento**, abra a seção **Associar agendamentos** e escolha **Criar novo agendamento**.
1. A caixa de diálogo **Criar um novo perfil** é aberta. Em **Nome do agendamento**, especifique o nome do agendamento.
1. Em **Frequência de execução**, escolha **Hora de início**.
1. Em **Hora de início**, insira uma hora no formato UTC (por exemplo, **09:00**). O horário de início é padronizado para o fuso horário em que você está localizado.
1. Para **Em dias**, escolha uma das seguintes opções:
+ **Todos os dias**
+ **Finais de semana**
+ **Dias da semana**
+ **Selecionar dias**
1. (Opcional) Se você selecionou **Selecionar dias**, escolha os dias da semana para executar o trabalho.
1. Escolha **Criar**.
1. (Opcional) Escolha **Adicionar outro agendamento** para executar o trabalho em um agendamento adicional.
**nota**
Você pode associar no máximo duas programações. Os horários são independentes e não se afetam, a menos que os horários se sobreponham.
1. Escolha uma das seguintes opções:
+ **Agende e execute agora**: o trabalho é executado imediatamente e, posteriormente, executado de acordo com os cronogramas.
+ **Somente agendamento**: o trabalho só é executado nas programações que você especificar.
1. Escolha **Exportar** depois de preencher o restante das configurações do trabalho de exportação.
------
Você pode usar a SageMaker IA Console de gerenciamento da AWS para visualizar os trabalhos que estão programados para execução. Seus trabalhos de processamento são executados dentro do Pipelines. Cada trabalho de processamento tem seu próprio pipeline. Ele é executado como uma etapa de processamento dentro do pipeline. Você pode ver as agendas que você criou em um funil. Para obter informações sobre como visualizar um pipeline, consulte [Visualizar os detalhes de um pipeline](pipelines-studio-list.md).
Use o procedimento a seguir para visualizar os trabalhos que você programou.
Para obter os trabalhos que você programou, faça o seguinte:
1. Abra o Amazon SageMaker Studio Classic.
1. Abra o Pipelines
1. Veja os pipelines dos trabalhos que você criou.
O pipeline que executa o trabalho usa o nome do trabalho como prefixo. Por exemplo, se você criou um trabalho chamado `housing-data-feature-enginnering`, o nome do pipeline é `canvas-data-prep-housing-data-feature-engineering`.
1. Escolha o pipeline que contém seu trabalho.
1. Visualize o status dos pipelines. Pipelines com **status** de **Bem-sucedido** executaram o trabalho de processamento com êxito.
Para interromper a execução do trabalho de processamento, faça o seguinte:
Para interromper a execução de um trabalho de processamento, exclua a regra de evento que especifica a programação. A exclusão de uma regra de evento interrompe a execução de todos os trabalhos associados à programação. Para obter informações sobre como excluir uma regra, consulte Como [desativar ou excluir uma regra da Amazon](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-delete-rule.html). EventBridge
Você também pode interromper e excluir os pipelines associados aos agendamentos. Para obter informações sobre como interromper um pipeline, consulte [StopPipelineExecution](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopPipelineExecution.html). Para obter informações sobre como excluir um pipeline, consulte [DeletePipeline](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeletePipeline.html#API_DeletePipeline_RequestSyntax).
# Automatize a preparação de dados no Canvas SageMaker
Depois de transformar seus dados em fluxo de dados, você pode exportar as transformações para seus fluxos de trabalho de machine learning. Quando você exporta suas transformações, o SageMaker Canvas cria um caderno Jupyter. Você deve executar o notebook no Amazon SageMaker Studio Classic. Para obter informações sobre como começar a usar o Studio Classic, entre em contato com seu administrador.
## Automatize a preparação de dados usando pipelines
Quando quiser criar e implantar fluxos de trabalho de aprendizado de máquina (ML) em grande escala, você pode usar o Pipelines para criar fluxos de trabalho que gerenciam e implantam trabalhos de IA. SageMaker Com o Pipelines, você pode criar fluxos de trabalho que gerenciam suas tarefas de preparação de dados de SageMaker IA, treinamento de modelos e implantação de modelos. Você pode usar os algoritmos primários que a SageMaker IA oferece usando Pipelines. Para obter mais informações sobre pipelines, consulte [SageMaker Pipelines](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines.html).
Quando você exporta uma ou mais etapas do seu fluxo de dados para o Pipelines, o Data Wrangler cria um caderno Jupyter que você pode usar para definir, instanciar, executar e gerenciar um pipeline.
### Use um caderno Jupyter para criar um pipeline
Use o procedimento a seguir para criar um caderno Jupyter para exportar seu fluxo do Data Wrangler para o Pipelines.
Use o procedimento a seguir para gerar um caderno Jupyter e executá-lo para exportar seu fluxo do Data Wrangler para o Pipelines.
1. Escolha o **\$1** próximo ao nó que você deseja separar.
1. Escolha **Exportar dados**.
1. Escolha **Pipelines (via caderno Jupyter)**.
1. Faça o download do caderno Jupyter ou copie-o para um local do Amazon S3. Recomendamos copiá-lo para um local do Amazon S3 que você possa acessar no Studio Classic. Entre em contato com seu administrador se precisar de orientação sobre um local adequado.
1. Executar o caderno Jupyter.
Você pode usar o caderno Jupyter que o Data Wrangler produz para definir um pipeline. O pipeline inclui as etapas de processamento de dados que são definidas pelo fluxo do Data Wrangler.
Você pode adicionar etapas adicionais ao seu pipeline adicionando etapas à lista `steps` no código a seguir no caderno:
```
pipeline = Pipeline(
name=pipeline_name,
parameters=[instance_type, instance_count],
steps=[step_process], #Add more steps to this list to run in your Pipeline
)
```
Para obter mais informações sobre a definição de pipelines, consulte [Definir o SageMaker AI Pipeline](https://docs.aws.amazon.com/sagemaker/latest/dg/define-pipeline.html).
## Automatize a preparação de dados usando um endpoint de inferência
Use seu fluxo do Data Wrangler para processar dados no momento da inferência criando um pipeline de inferência serial de SageMaker IA a partir do seu fluxo do Data Wrangler. Um pipeline de inferência é uma série de etapas que resulta em um modelo treinado fazendo predições sobre novos dados. Um pipeline de inferência serial no Data Wrangler transforma os dados brutos e os fornece ao modelo de machine learning para uma predição. Você cria, executa e gerencia o pipeline de inferência por meio de um caderno Jupyter no Studio Classic. Para obter mais informações sobre o acesso ao caderno, consulte [Use um caderno Jupyter para criar um endpoint de inferência](#canvas-inference-notebook).
No caderno, você pode treinar um modelo de machine learning ou especificar um que já tenha treinado. Você pode usar o Amazon SageMaker Autopilot ou XGBoost treinar o modelo usando os dados que você transformou em seu fluxo do Data Wrangler.
O pipeline fornece a capacidade de realizar inferências em lote ou em tempo real. Você também pode adicionar o fluxo do Data Wrangler ao SageMaker Model Registry. Para obter mais informações sobre modelos de host, consulte [Endpoints multimodelo](multi-model-endpoints.md).
**Importante**
Você não pode exportar seu fluxo do Data Wrangler para um endpoint de inferência se ele tiver as seguintes transformações:
Ingressar
concatenar
Agrupar por
Se você precisar usar as transformações anteriores para preparar seus dados, use o procedimento a seguir.
Crie um fluxo do Data Wrangler.
Aplique as transformações anteriores que não são compatíveis.
Exportar os dados para um bucket do Amazon S3.
Crie um fluxo de Data Wrangler separado.
Importe os dados que você exportou do fluxo anterior.
Aplique as transformações restantes.
Crie um pipeline de inferência serial usando o caderno Jupyter que fornecemos.
Para obter informações sobre como exportar dados para um bucket do Amazon S3, consulte [Exportar dados](canvas-export-data.md). Para obter informações sobre como abrir o caderno Jupyter usado para criar o pipeline de inferência serial, consulte [Use um caderno Jupyter para criar um endpoint de inferência](#canvas-inference-notebook).
O Data Wrangler ignora as transformações que removem dados no momento da inferência. Por exemplo, o Data Wrangler ignora a transformação [Processamento de valores ausentes](canvas-transform.md#canvas-transform-handle-missing) se você usar a configuração **Drop missing**.
Se você reajustou as transformações em todo o seu conjunto de dados, as transformações são transferidas para seu pipeline de inferência. Por exemplo, se você usou o valor mediano para imputar valores ausentes, o valor médio do reajuste da transformação será aplicado às suas solicitações de inferência. Você pode reajustar as transformações do seu fluxo do Data Wrangler ao usar o caderno Jupyter ou ao exportar seus dados para um pipeline de inferência.
O pipeline de inferência serial é compatível com os seguintes tipos de dados para as cadeias de caracteres de entrada e saída: Cada tipo de dados tem um conjunto de requisitos.
**Tipos de dados compatíveis**
+ `text/csv`: o tipo de dados para cadeias de caracteres CSV
+ A string não pode ter um cabeçalho.
+ Os atributos usados para o pipeline de inferência devem estar na mesma ordem dos atributos no conjunto de dados de treinamento.
+ Deve haver um delimitador de vírgula entre os atributos.
+ Os registros devem ser delimitados por um caractere de nova linha.
Veja a seguir um exemplo de uma string CSV com formatação válida que você pode fornecer em uma solicitação de inferência.
```
abc,0.0,"Doe, John",12345\ndef,1.1,"Doe, Jane",67890
```
+ `application/json`: o tipo de dados para strings JSON
+ Os atributos usados no conjunto de dados para o pipeline de inferência devem estar na mesma ordem dos atributos no conjunto de dados de treinamento.
+ Os dados devem ter um esquema específico. Você define o esquema como um único objeto `instances` que tem um conjunto de `features`. Cada objeto `features` representa uma observação.
Veja a seguir um exemplo de uma string JSON formatada validamente que você pode fornecer em uma solicitação de inferência.
```
{
"instances": [
{
"features": ["abc", 0.0, "Doe, John", 12345]
},
{
"features": ["def", 1.1, "Doe, Jane", 67890]
}
]
}
```
### Use um caderno Jupyter para criar um endpoint de inferência
Use o procedimento a seguir para exportar seu fluxo do Data Wrangler para criar um pipeline de inferência.
Para criar um pipeline de inferência usando um caderno Jupyter, faça o seguinte:
1. Escolha o **\$1** próximo ao nó que você deseja separar.
1. Escolha **Exportar dados**.
1. Escolha o **SageMaker AI Inference Pipeline (via Jupyter** Notebook).
1. Faça o download do caderno Jupyter ou copie-o para um local do Amazon S3. Recomendamos copiá-lo para um local do Amazon S3 que você possa acessar no Studio Classic. Entre em contato com seu administrador se precisar de orientação sobre um local adequado.
1. Executar o caderno Jupyter.
Quando você executa o caderno Jupyter, ele cria um artefato de fluxo de inferência. Um artefato de fluxo de inferência é um arquivo de fluxo do Data Wrangler com metadados adicionais usados para criar o pipeline de inferência serial. O nó que você está exportando abrange todas as transformações dos nós anteriores.
**Importante**
O Data Wrangler precisa do artefato do fluxo de inferência para executar o pipeline de inferência. Você não pode usar seu próprio arquivo de fluxo como artefato. Você deve criá-lo usando o procedimento anterior.
## Automatize a preparação de dados usando o código Python
Para exportar todas as etapas do fluxo de dados para um arquivo Python que você possa integrar manualmente a qualquer fluxo de trabalho de processamento de dados, use o procedimento a seguir.
Use o procedimento a seguir para gerar um caderno Jupyter e executá-lo para exportar seu fluxo do Data Wrangler para o código Python.
1. Escolha o **\$1** próximo ao nó que você deseja separar.
1. Escolha **Exportar dados**.
1. Escolha **Python Code**.
1. Faça o download do caderno Jupyter ou copie-o para um local do Amazon S3. Recomendamos copiá-lo para um local do Amazon S3 que você possa acessar no Studio Classic. Entre em contato com seu administrador se precisar de orientação sobre um local adequado.
1. Executar o caderno Jupyter.
Pode ser necessário configurar o script Python para que seja executado no seu pipeline. Por exemplo, se você estiver executando um ambiente Spark, certifique-se de executar o script em um ambiente que tenha permissão para acessar AWS recursos.
# Modelos básicos de IA generativa no Canvas SageMaker
O Amazon SageMaker Canvas fornece modelos básicos de IA generativos que você pode usar para iniciar bate-papos conversacionais. Esses modelos de geração de conteúdo são treinados em grandes quantidades de dados de texto para aprender os padrões estatísticos e as relações entre as palavras, e podem produzir um texto coerente que seja estatisticamente semelhante ao texto no qual foram treinados. É possível usar esse recurso para aumentar sua produtividade da seguinte maneira:
+ Gerar conteúdo, como esboços de documentos, relatórios e blogs
+ Resumir o texto de grandes corpus de texto, como transcrições de teleconferências, relatórios anuais ou capítulos de manuais do usuário
+ Extrair informações e conclusões importantes de grandes passagens de texto, como notas de reuniões ou narrativas
+ Melhorar o texto e capturar erros gramaticais ou de digitação
Os modelos básicos são uma combinação dos modelos de linguagem grande da [Amazon SageMaker JumpStart e do Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-service.html) (LLMs). O Canvas oferece os seguintes modelos:
| Modelo | Tipo | Description |
| --- | --- | --- |
| Titã da Amazon | Modelo Amazon Bedrock | O Amazon Titan é um modelo de linguagem poderoso e de uso geral que você pode usar para tarefas como resumo, geração de texto (como criar uma postagem no blog), classificação, perguntas e respostas abertas e extração de informações. Ele é pré-treinado em grandes conjuntos de dados, o que o torna adequado para tarefas e raciocínios complexos. Para continuar apoiando as melhores práticas no uso responsável da IA, os modelos básicos do Amazon Titan são criados para detectar e remover conteúdo prejudicial nos dados, rejeitar conteúdo impróprio na entrada do usuário e filtrar saídas de modelos que contêm conteúdo impróprio (como discurso de ódio, palavrões e violência). |
| Anthropic Claude Instant | Modelo Amazon Bedrock | O Claude Instant da Anthropic é um modelo mais rápido e econômico, mas ainda assim muito capaz. Esse modelo pode lidar com uma variedade de tarefas, incluindo diálogo casual, análise de texto, resumo e resposta a perguntas de documentos. Assim como o Claude-2, o Claude Instant é compatível com até 100.000 tokens em cada prompt, o equivalente a cerca de 200 páginas de informações. |
| Anthropic Claude-2 | Modelo Amazon Bedrock | O Claude-2 é o modelo mais poderoso da Anthropic, que se destaca em uma ampla variedade de tarefas, desde diálogos sofisticados e geração de conteúdo criativo até o acompanhamento detalhado de instruções. O Claude-2 é compatível com até 100.000 tokens em cada prompt, o equivalente a cerca de 200 páginas de informações. Ele pode gerar respostas mais longas em comparação com a versão anterior. Ele oferece apoio a casos de uso como resposta a perguntas, extração de informações, remoção de PII, geração de conteúdo, classificação de múltipla escolha, dramatização, comparação de texto, resumo e perguntas e respostas sobre documentos com citação. |
| Falcon-7B-Instruct | JumpStart modelo | O Falcon-7B-Instruct tem 7 bilhões de parâmetros e foi ajustado em uma mistura de conjuntos de dados de chat e instruct. Ele serve como assistente virtual e tem melhor desempenho ao seguir instruções ou iniciar uma conversa. Como o modelo foi treinado em grandes quantidades de dados da web em inglês, ele carrega os estereótipos e vieses comumente encontrados online e não é adequado para outros idiomas além do inglês. Comparado ao Falcon-40B-Instruct, o Falcon-7B-Instruct é um modelo um pouco menor e mais compacto. |
| Falcon-40B-Instruct | JumpStart modelo | O Falcon-40B-Instruct tem 40 bilhões de parâmetros e foi ajustado em uma mistura de conjuntos de dados de chat e instruct. Ele serve como assistente virtual e tem melhor desempenho ao seguir instruções ou iniciar uma conversa. Como o modelo foi treinado em grandes quantidades de dados da web em inglês, ele carrega os estereótipos e vieses comumente encontrados online e não é adequado para outros idiomas além do inglês. Comparado ao Falcon-7B-Instruct, o Falcon-40B-Instruct é um modelo um pouco maior e mais poderoso. |
| Jurassic-2 Mid | Modelo Amazon Bedrock | O Jurassic-2 Mid é um modelo de geração de texto de alto desempenho treinado em um grande corpus de texto (atual até meados de 2022). É altamente versátil, de uso geral e capaz de compor textos semelhantes aos humanos e resolver tarefas complexas, como responder a perguntas, classificar textos e muitas outras. Esse modelo oferece recursos de instrução zero, permitindo que ele seja direcionado apenas com linguagem natural e sem o uso de exemplos. Seu desempenho é até 30% mais rápido do que o do seu antecessor, o modelo Jurassic-1. O Jurassic-2 Mid AI21 é um modelo de tamanho médio, cuidadosamente projetado para encontrar o equilíbrio certo entre qualidade excepcional e preço acessível. |
| Jurassic-2 Ultra | Modelo Amazon Bedrock | O Jurassic-2 Ultra é um modelo de geração de texto de alto desempenho treinado em um grande corpus de texto (atual até meados de 2022). É altamente versátil, de uso geral e capaz de compor textos semelhantes aos humanos e resolver tarefas complexas, como responder a perguntas, classificar textos e muitas outras. Esse modelo oferece recursos de instrução zero, permitindo que ele seja direcionado apenas com linguagem natural e sem o uso de exemplos. Seu desempenho é até 30% mais rápido do que o do seu antecessor, o modelo Jurassic-1. Comparado ao Jurassic-2 Mid, o Jurassic-2 Ultra é um modelo um pouco maior e mais poderoso. |
| Llama-2-7b-Chat | JumpStart modelo | O Llama-2-7b-Chat é um modelo básico da Meta que é adequado para se envolver em conversas significativas e coerentes, gerar novos conteúdos e extrair respostas de notas existentes. Como o modelo foi treinado em grandes quantidades de dados da web em inglês, ele carrega os estereótipos e vieses comumente encontrados online e não é adequado para outros idiomas além do inglês. |
| Llama-2-13B-Chat | Modelo Amazon Bedrock | O Llama-2-13B-Chat da Meta foi ajustado em relação aos dados de conversação após o treinamento inicial em dados da internet. Ele é otimizado para diálogos naturais e habilidades envolventes de bate-papo, o que o torna adequado como agente de conversação. Em comparação com o Llama-2-7b-Chat menor, o Llama-2-13B-Chat tem quase o dobro de parâmetros, permitindo que ele se lembre de mais contexto e produza respostas conversacionais com mais nuances. Assim como o Llama-2-7b-Chat, o Llama-2-13B-Chat foi treinado em dados em inglês e é mais adequado para tarefas em inglês. |
| Llama-2-70B-Chat | Modelo Amazon Bedrock | Assim como o Llama-2-7b-Chat e o Llama-2-13B-Chat, o modelo Llama-2-70B-Chat da Meta é otimizado para engajar um diálogo natural e significativo. Com 70 bilhões de parâmetros, esse grande modelo conversacional pode lembrar um contexto mais extenso e produzir respostas altamente coerentes quando comparado às versões mais compactas do modelo. No entanto, isso tem o custo de respostas mais lentas e maiores requisitos de recursos. O Llama-2-70B-Chat foi treinado em grandes quantidades de dados da Internet em inglês e é mais adequado para tarefas em inglês. |
| Mistral-7B | JumpStart modelo | O Mistral-7B da Mistral.AI é um excelente modelo de linguagem de uso geral adequado para uma ampla variedade de tarefas de linguagem natural (PNL), como geração de texto, resumo e resposta a perguntas. Ele utiliza atenção de consulta agrupada (GQA), que permite velocidades de inferência mais rápidas, fazendo com que tenha um desempenho comparável a modelos com duas ou três vezes mais parâmetros. Ele foi treinado em uma mistura de dados de texto, incluindo livros, sites e artigos científicos no idioma inglês, por isso é mais adequado para tarefas em inglês. |
| Mistral-7B-Chat | JumpStart modelo | O Mistral-7B-Chat é um modelo conversacional da Mistral.AI baseado no Mistral-7B. Embora o Mistral-7B seja o melhor para tarefas gerais de PNL, o Mistral-7B-Chat foi ajustado ainda mais nos dados de conversação para otimizar suas habilidades de bate-papo natural e envolvente. Como resultado, o Mistral-7B-Chat gera respostas mais humanas e lembra o contexto das respostas anteriores. Como o Mistral-7B, esse modelo é mais adequado para tarefas em inglês. |
| MPT-7B-Instruct | JumpStart modelo | O MPT-7B-Instruct é um modelo para tarefas de seguimento de instruções de formato longo e pode ajudá-lo a escrever tarefas, incluindo resumo de texto e respostas a perguntas, para economizar tempo e esforço. Esse modelo foi treinado em grandes quantidades de dados ajustados e pode lidar com entradas maiores, como documentos complexos. Use esse modelo quando quiser processar grandes corpos de texto ou quiser que o modelo gere respostas longas. |
Os modelos básicos da Amazon Bedrock atualmente só estão disponíveis nas regiões Leste dos EUA (Norte da Virgínia) e Oeste dos EUA (Oregon). Além disso, ao usar modelos básicos do Amazon Bedrock, você é cobrado com base no volume de tokens de entrada e tokens de saída, conforme especificado por cada fornecedor de modelo. Para obter mais informações, consulte a página de [preços do Amazon Bedrock](https://aws.amazon.com/bedrock/pricing/). Os modelos JumpStart básicos são implantados em instâncias do SageMaker AI Hosting, e você é cobrado pela duração do uso com base no tipo de instância usada. Para obter mais informações sobre o custo de diferentes tipos de instância, consulte a seção Amazon SageMaker AI Hosting: inferência em tempo real na [página de SageMaker preços](https://aws.amazon.com/sagemaker/pricing/).
A consulta de documentos é um atributo adicional que você pode usar para consultar e obter informações de documentos armazenados em índices usando o Amazon Kendra. Com essa funcionalidade, você pode gerar conteúdo a partir do contexto desses documentos e receber respostas específicas para seu caso de uso comercial, em vez de respostas genéricas às grandes quantidades de dados nos quais os modelos básicos foram treinados. Para obter mais informações sobre índices no Amazon Kendra, consulte o [Guia do desenvolvedor do Amazon Kendra](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html).
Se você quiser obter respostas de qualquer um dos modelos básicos personalizados para seus dados e caso de uso, você pode ajustar os modelos básicos. Para saber mais, consulte [Ajustar modelos de base](canvas-fm-chat-fine-tune.md).
Se você quiser obter previsões de um modelo da Amazon SageMaker JumpStart Foundation por meio de um aplicativo ou site, você pode implantar o modelo em um *endpoint* de SageMaker IA. SageMaker Os endpoints de IA hospedam seu modelo e você pode enviar solicitações ao endpoint por meio do código do aplicativo para receber previsões do modelo. Para obter mais informações, consulte [Implantar seus modelos em um endpoint](canvas-deploy-model.md).
# Preencha os pré-requisitos para modelos de base no Canvas SageMaker
As seções a seguir descrevem os pré-requisitos para interagir com modelos básicos e usar o atributo de consulta de documentos no Canvas. O restante do conteúdo desta página pressupõe que você atendeu aos pré-requisitos para modelos básicos. O atributo de consulta de documentos requer permissões adicionais.
## Pré-requisitos para modelos básicos
As permissões que você precisa para interagir com os modelos estão incluídas nas permissões dos Ready-to-use modelos do Canvas. Para usar os modelos generativos baseados em IA no Canvas, você deve ativar as permissões de **configuração dos Ready-to-use modelos do Canvas** ao configurar seu domínio Amazon SageMaker AI. Para obter mais informações, consulte [Pré-requisitos para configurar o Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites). A **configuração dos Ready-to-use modelos Canvas** anexa a política de [AmazonSageMakerCanvasAIServicesacesso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) à função de execução do seu usuário do Canvas AWS Identity and Access Management (IAM). Se você encontrar algum problema com a concessão de permissões, consulte o tópico [Solução de problemas com a concessão de permissões por meio do console de SageMaker IA](canvas-limits.md#canvas-troubleshoot-trusted-services).
Se você já configurou seu Domínio, você pode editar suas configurações de Domínio e ativar as permissões. Para obter instruções sobre como editar suas configurações de Domínio, consulte [Editar configurações de domínio](domain-edit.md). Ao editar as configurações do seu domínio, acesse as **configurações do Canvas** e ative a opção **Ativar Ready-to-use modelos do Canvas**.
Alguns modelos JumpStart básicos também exigem que você solicite um aumento na cota de instâncias de SageMaker IA. O Canvas hospeda os modelos com os quais você está interagindo atualmente nessas instâncias, mas a cota padrão para sua conta pode ser insuficiente. Se você encontrar um erro ao executar qualquer um dos modelos a seguir, solicite um aumento de cota para os tipos de instância associados:
+ Falcon-40B: `ml.g5.12xlarge`, `ml.g5.24xlarge`
+ Falcon-13B: `ml.g5.2xlarge`, `ml.g5.4xlarge`, `ml.g5.8xlarge`
+ MPT-7B-Instruct: `ml.g5.2xlarge`, `ml.g5.4xlarge`, `ml.g5.8xlarge`
Para os tipos de instâncias anteriores, solicite um aumento de 0 para 1 para a cota de uso do endpoint. Para obter mais informações como aumentar uma cota de instância para sua conta, consulte [Solicitar um aumento da cota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) no *Guia do usuário do Service Quotas*.
## Pré-requisitos para a consulta de documentos
**nota**
A consulta de documentos é suportada no seguinte Regiões da AWS: Leste dos EUA (Norte da Virgínia), Leste dos EUA (Ohio), Oeste dos EUA (Oregon), Europa (Irlanda), Ásia-Pacífico (Cingapura), Ásia-Pacífico (Sydney), Ásia-Pacífico (Tóquio) e Ásia-Pacífico (Mumbai).
O atributo de consulta de documentos exige que você já tenha um índice do Amazon Kendra que armazene seus documentos e metadados do documento. Para obter mais informações sobre o Amazon Kendra, consulte o [Guia do desenvolvedor do Amazon Kendra](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html). Para saber mais sobre as cotas para consultar índices, consulte [Cotas](https://docs.aws.amazon.com/kendra/latest/dg/quotas.html) no *Guia do desenvolvedor do Amazon Kendra*.
Você também deve se certificar de que seu perfil de usuário do Canvas tenha as permissões necessárias para a consulta de documentos. A [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política deve ser anexada à função de execução do AWS IAM para o domínio de SageMaker IA que hospeda seu aplicativo Canvas (essa política é anexada por padrão a todos os perfis de usuário novos e existentes do Canvas). Você também deve conceder especificamente permissões de consulta de documentos e especificar o acesso a um ou mais índices do Amazon Kendra.
Se o administrador do Canvas estiver configurando um novo Domínio ou perfil de usuário, faça com que ele configure o Domínio seguindo as instruções em [Pré-requisitos para configurar o Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites). Ao configurar o domínio, eles podem ativar as permissões de consulta do documento por meio da **configuração dos Ready-to-use modelos Canvas**.
O administrador do Canvas também pode gerenciar as permissões de consulta de documentos no nível do perfil do usuário. Por exemplo, se o administrador quiser conceder permissões de consulta de documentos a alguns perfis de usuário, mas remover permissões para outros, ele poderá editar as permissões para um usuário específico.
O seguinte procedimento mostra como ativar permissões de consulta de documentos para um perfil de usuário específico:
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de Domínios, selecione o Domínio do perfil do usuário.
1. Na página de **Detalhes do domínio**, escolha o **Perfil do usuário** cujas permissões você deseja editar.
1. Na página **Detalhes do usuário**, selecione **Editar**.
1. No painel de navegação à esquerda, selecione **Configurações do Canvas**.
1. Na seção de **configuração de Ready-to-use modelos do Canvas**, ative o botão **Habilitar consulta de documentos usando o Amazon Kendra**.
1. No menu suspenso, selecione um ou mais índices do Amazon Kendra aos quais você deseja conceder acesso.
1. Escolha **Enviar** para salvar as alterações nas configurações do seu Domínio.
Agora você será capaz de usar os modelos básicos do Canvas para consultar documentos nos índices especificados do Amazon Kendra.
# Iniciar uma nova conversa para gerar, extrair ou resumir conteúdo
Para começar a usar modelos básicos de IA generativa no Canvas, você pode iniciar uma nova sessão de chat com um dos modelos. Para JumpStart modelos, você é cobrado enquanto o modelo está ativo, então você deve inicializar os modelos quando quiser usá-los e desligá-los quando terminar de interagir. Se você não desligar um JumpStart modelo, o Canvas o desligará após 2 horas de inatividade. Para modelos da Amazon Bedrock (como o Amazon Titan), você é cobrado por prompt; os modelos já estão ativos e não precisam ser inicializados ou encerrados. Você é cobrado diretamente pelo uso desses modelos pela Amazon Bedrock.
Para abrir um chat com uma modelo, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação esquerdo, escolha **eady-to-usemodelos R.**
1. Escolha **Gerar, extrair e resumir conteúdo**.
1. Na página de boas-vindas, você receberá uma recomendação para iniciar o modelo padrão. Você pode iniciar o modelo recomendado ou escolher **Selecionar outro modelo** no menu suspenso para escolher um diferente.
1. Se você selecionou um modelo de JumpStart base, precisará iniciá-lo antes que ele esteja disponível para uso. Escolha **Iniciar o modelo** e, em seguida, o modelo será implantado em uma instância de SageMaker IA. A conclusão dessa operação pode levar vários minutos. Quando o modelo estiver pronto, você poderá inserir prompts e fazer perguntas ao modelo.
Se você selecionou um modelo básico do Amazon Bedrock, pode começar a usá-lo instantaneamente inserindo um prompt e fazendo perguntas.
Dependendo do modelo, você pode realizar várias tarefas. Por exemplo, você pode inserir uma passagem de texto e pedir ao modelo que a resuma. Ou você pode pedir ao modelo que apresente um breve resumo das tendências do mercado em seu Domínio.
As respostas do modelo em um chat são baseadas no contexto de seus prompts anteriores. Se você quiser fazer uma nova pergunta no chat que não esteja relacionada ao tópico da conversa anterior, recomendamos que você inicie um novo chat com o modelo.
# Extrair informações de documentos com a consulta de documentos
**nota**
Esta seção pressupõe que você concluiu a seção [Pré-requisitos para a consulta de documentos](canvas-fm-chat-prereqs.md#canvas-fm-chat-prereqs-kendra) acima.
A consulta de documentos é um atributo que você pode usar ao interagir com modelos básicos no Canvas. Com a consulta de documentos, você pode acessar um corpus de documentos armazenados em um *índice* Amazon Kendra, que contém o conteúdo dos seus documentos e é estruturado de forma a tornar os documentos pesquisáveis. Você pode fazer perguntas específicas direcionadas aos dados do seu índice Amazon Kendra, e o modelo básico responderá às suas perguntas. Por exemplo, você pode consultar uma base de conhecimento interna de informações de TI e fazer perguntas como “Como faço para me conectar à rede da minha empresa?” Para obter mais informações sobre um índice, consulte o [Guia do desenvolvedor do Amazon Kendra](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html).
Ao usar o atributo de consulta de documentos, os modelos básicos restringem suas respostas ao conteúdo dos documentos em seu índice com uma técnica chamada geração aumentada via recuperação (RAG). Essa técnica agrupa as informações mais relevantes do índice junto com o prompt do usuário e as envia ao modelo básico para obter uma resposta. As respostas são limitadas ao que pode ser encontrado em seu índice, evitando que o modelo forneça respostas incorretas com base em dados externos. Para obter mais informações sobre esse processo, consulte a postagem do blog [Crie rapidamente aplicações de IA generativa de alta precisão em dados corporativos](https://aws.amazon.com/blogs/machine-learning/quickly-build-high-accuracy-generative-ai-applications-on-enterprise-data-using-amazon-kendra-langchain-and-large-language-models/).
Para começar, em um chat com um modelo básico no Canvas, ative o botão **Consulta de documentos** na parte superior da página. No menu suspenso, selecione o índice do Amazon Kendra que você deseja consultar. Em seguida, você pode começar a fazer perguntas relacionadas aos documentos em seu índice.
**Importante**
A consulta de documentos é compatível com o atributo [Comparar saídas do modelo](canvas-fm-chat-compare.md). Qualquer histórico de chat existente é sobrescrito quando você inicia um novo chat para comparar as saídas do modelo.
# Modelos de inicialização
**nota**
A seção a seguir descreve os modelos de inicialização, que se aplicam somente aos modelos JumpStart básicos, como o Falcon-40B-Instruct. Você pode acessar os modelos Amazon Bedrock, como o Amazon Titan, instantaneamente a qualquer momento.
Você pode iniciar quantos JumpStart modelos quiser. Cada JumpStart modelo ativo gera cobranças em sua conta, por isso recomendamos que você não inicie mais modelos do que os que está usando atualmente.
Para iniciar outro modelo, faça o seguinte:
1. Na página **Gerar, extrair e resumir conteúdo**, escolha **Novo chat**.
1. Escolha o modelo no menu suspenso. Se você quiser escolher um modelo não exibido no menu suspenso, escolha **Iniciar outro modelo** e, em seguida, selecione o modelo que você deseja inicializar.
1. Escolha **Inicializar modelo**.
O modelo começará a ser inicializado e, em alguns minutos, você poderá conversar com o modelo.
# Encerrar modelos
É altamente recomendável que você encerre os modelos que não está usando. Os modelos são encerrados automaticamente após 2 horas de inatividade. No entanto, para encerrar manualmente um modelo, faça o seguinte:
1. Na página **Gerar, extrair e resumir conteúdo**, abra o chat do modelo que você deseja encerrar.
1. Na página de chat, escolha o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Escolha **Encerrar o modelo**.
1. Na caixa de confirmação de **Encerrar o modelo**, escolha **Encerrar**.
O modelo começará a ser encerrado. Se seu chat comparar dois ou mais modelos, você pode encerrar um modelo individual na página de chat escolhendo o ícone **Mais opções** do modelo (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) e, em seguida, escolhendo **Encerrar o modelo**.
# Comparar saídas do modelo
Você pode querer comparar a saída de diferentes modelos lado a lado para ver qual saída de modelo você prefere. Isso pode ajudar você a decidir qual modelo melhor se adequa ao seu caso de uso. Você pode comparar até três modelos em chats.
**nota**
Cada modelo individual incorre em cobranças em sua conta.
Você deve iniciar um novo chat para adicionar modelos para comparação. Para comparar a saída dos modelos lado a lado em um chat, faça o seguinte:
1. Em um chat, escolha **Novo chat**.
1. Escolha **Comparar** e use o menu suspenso para selecionar o modelo que você deseja adicionar. Para adicionar um terceiro modelo, escolha **Comparar** novamente para adicionar outro modelo.
**nota**
Se você quiser usar um JumpStart modelo que não está ativo no momento, você será solicitado a inicializar o modelo.
Quando os modelos estão ativos, você verá os dois modelos lado a lado no chat. Você pode enviar seu prompt e cada modelo responderá no mesmo chat, conforme mostrado na captura de tela a seguir.
![\[Captura de tela da interface do Canvas com a saída de dois modelos mostrados lado a lado.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-chat-compare-outputs.png)
Quando terminar de interagir, certifique-se de desligar todos JumpStart os modelos individualmente para evitar cobranças adicionais.
# Ajustar modelos de base
Os modelos básicos que você pode acessar por meio do Amazon SageMaker Canvas podem ajudá-lo com uma variedade de tarefas de uso geral. No entanto, se você tiver um caso de uso específico e quiser respostas personalizadas com base em seus próprios dados, poderá *ajustar* um modelo básico.
Para ajustar um modelo básico, você fornece um conjunto de dados que consiste em exemplos de prompts e respostas do modelo. Em seguida, você treina o modelo básico com base nos dados. Por fim, o modelo básico ajustado é capaz de fornecer respostas mais específicas.
A seguinte lista contém os modelos básicos que você pode ajustar no Canvas:
+ Titan Express
+ Falcon-7B
+ Falcon-7B-Instruct
+ Falcon-40B-Instruct
+ Falcon-40B
+ FLAN-T5-Grande
+ Flan-T5-Xl
+ Flan-T5-Xxl
+ MPT-7B
+ MPT-7B-Instruct
Você pode acessar informações mais detalhadas sobre cada modelo básico na aplicação Canvas enquanto ajusta um modelo. Para obter mais informações, consulte [Ajuste o modelo](#canvas-fm-chat-fine-tune-procedure-model).
Este tópico descreve como ajustar os modelos de base no Canvas.
## Antes de começar
Antes de ajustar um modelo básico, certifique-se de ter as permissões para Ready-to-use modelos no Canvas e uma função de AWS Identity and Access Management execução que tenha uma relação de confiança com o Amazon Bedrock, o que permite que o Amazon Bedrock assuma sua função enquanto ajusta os modelos básicos.
Ao configurar ou editar seu domínio do Amazon SageMaker AI, você deve 1) ativar as permissões de configuração dos Ready-to-use modelos Canvas e 2) criar ou especificar uma função do Amazon Bedrock, que é uma função de execução do IAM à qual a SageMaker IA atribui uma relação de confiança com o Amazon Bedrock. Para obter mais informações sobre como definir essas configurações, consulte [Pré-requisitos para configurar o Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites).
Você pode configurar a função Amazon Bedrock manualmente se preferir usar sua própria função de execução do IAM (em vez de permitir que a SageMaker IA crie uma em seu nome). Para obter mais informações sobre como configurar a relação de confiança de sua própria função de execução do IAM com o Amazon Bedrock, consulte. [Conceda aos usuários permissões para usar o Amazon Bedrock e os atributos de IA generativa no Canvas](canvas-fine-tuning-permissions.md)
Você também deve ter um conjunto de dados formatado para ajustar modelos de linguagem grandes (). LLMs Veja a seguir uma lista de requisitos para seu conjunto de dados:
+ O conjunto de dados deve ser tabular e conter pelo menos duas colunas de dados de texto: uma coluna de entrada (que contém exemplos de prompt para o modelo) e uma coluna de saída (que contém exemplos de respostas do modelo).
Um exemplo é o seguinte:
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/canvas-fm-chat-fine-tune.html)
+ Recomendamos que o conjunto de dados tenha pelo menos 100 pares de texto (linhas de itens de entrada e saída correspondentes). Isso garante que o modelo básico tenha dados suficientes para o ajuste fino e aumente a precisão de suas respostas.
+ Cada item de entrada e saída deve conter no máximo 512 caracteres. Qualquer coisa maior é reduzida para 512 caracteres ao ajustar o modelo básico.
Ao ajustar um modelo do Amazon Bedrock, você deve aderir às cotas do Amazon Bedrock. Para obter mais informações, consulte [Cotas de personalização de modelos](https://docs.aws.amazon.com/bedrock/latest/userguide/quotas.html#model-customization-quotas) no *Guia do usuário do Amazon Bedrock*.
Para obter mais informações sobre os requisitos e limitações gerais do conjunto de dados no Canvas, consulte [Criar um conjunto de dados](canvas-import-dataset.md).
## Ajuste um modelo de base
Você pode ajustar um modelo básico usando qualquer um dos seguintes métodos na aplicação Canvas:
+ Em um bate-papo **Gerar, extrair e resumir conteúdo** com um modelo básico, escolha o ícone **Ajuste fino do modelo** (![\[Magnifying glass icon with a plus sign, indicating a search or zoom-in function.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/wrench-icon-small.png)).
+ Durante um bate-papo com um modelo básico, se você gerou novamente a resposta duas ou mais vezes, o Canvas oferece a opção de **ajustar o modelo**. A captura de tela a seguir mostra um exemplo de como essa tela se parece.
![\[Captura de tela da opção de Ajuste do modelo básico mostrada em um bate-papo.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/fine-tuning-ingress.png)
+ Na página **Meus modelos**, você pode criar um novo modelo escolhendo **Novo modelo** e, em seguida, selecionando o modelo **Ajustar o modelo básico**.
+ Na página inicial dos **Ready-to-use modelos**, você pode escolher **Criar seu próprio modelo** e, em seguida, na caixa de diálogo **Criar novo modelo**, escolher **Ajustar o modelo básico**.
+ Ao navegar pelos conjuntos de dados na guia **Data Wrangler**, você pode selecionar um conjunto de dados e escolher **Criar um modelo.** Em seguida, escolha o **Ajustar o modelo básico**.
Depois de começar a ajustar um modelo, faça o seguinte:
### Defina um conjunto de dados.
Na guia **Selecionar** do ajuste fino de um modelo, você escolhe os dados nos quais gostaria de treinar o modelo básico.
Selecione um conjunto de dados existente ou crie um novo que atenda aos requisitos listados na [Antes de começar](#canvas-fm-chat-fine-tune-prereqs) seção. Para obter mais informações sobre como criar um conjunto de dados, consulte [Criar um conjunto de dados](canvas-import-dataset.md).
Quando você tiver selecionado ou criado um conjunto de dados e estiver pronto para seguir em frente, escolha **Selecionar conjunto de dados**.
### Ajuste o modelo
Depois de selecionar seus dados, agora você está pronto para começar a treinar e ajustar o modelo.
Na guia **Ajustar**, faça o seguinte:
1. (Opcional) Escolha **Saiba mais sobre nossos modelos básicos** para acessar mais informações sobre cada modelo e ajudá-lo a decidir qual modelo ou modelos básicos implantar.
1. Para **selecionar até 3 modelos básicos**, abra o menu suspenso e verifique até 3 modelos básicos (até 2 JumpStart modelos e 1 modelo Amazon Bedrock) que você gostaria de ajustar durante o trabalho de treinamento. Ao ajustar vários modelos básicos, você pode comparar seu desempenho e, por fim, escolher o mais adequado ao seu caso de uso como modelo padrão. Para obter mais informações sobre modelos, consulte [Veja os candidatos a modelo na tabela de classificação de modelos](canvas-evaluate-model-candidates.md).
1. Em **Selecionar coluna de entrada**, selecione a coluna de dados de texto em seu conjunto de dados que contém os prompts do modelo de exemplo.
1. Em **Selecionar coluna de saída**, selecione a coluna de dados de texto em seu conjunto de dados que contém as respostas do modelo de exemplo.
1. (Opcional) Para definir configurações avançadas para o trabalho de treinamento, escolha **Configurar modelo**. Para obter mais informações sobre as configurações avançadas de modelo, consulte [Configurações avançadas de construção de modelos](canvas-advanced-settings.md).
Na janela pop up **Configurar modelo**, faça o seguinte:
1. Para **hiperparâmetros**, você pode ajustar a **contagem de Epoch**, o **tamanho do lote**, a **taxa de aprendizado** **e as etapas de aquecimento da taxa de aprendizado** para cada modelo selecionado. Para obter mais informações sobre esses parâmetros, consulte a [seção Hiperparâmetros na JumpStart documentação](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-fine-tune.html#jumpstart-hyperparameters).
1. Para **Divisão de dados**, você pode especificar porcentagens de como dividir seus dados entre o **conjunto de treinamento** e o **conjunto de validação**.
1. Para o **runtime do trabalho máximo**, você pode definir a quantidade máxima de tempo em que o Canvas executa o trabalho de construção. Esse recurso está disponível somente para modelos de JumpStart base.
1. Depois de definir as configurações, escolha **Salvar**.
1. Escolha **Ajustar** para começar a treinar os modelos básicos que você selecionou.
Depois que o trabalho de ajuste fino começar, você poderá sair da página. Quando o modelo aparece como **Pronto** na página **Meus modelos**, ele está pronto para uso e agora você pode analisar o desempenho do seu modelo básico ajustado.
### Analisar o modelo básico ajustado
Na guia **Analisar** do seu modelo básico ajustado, você pode ver o desempenho do modelo.
A guia **Visão geral** desta página mostra as pontuações de perplexidade e perda, junto com análises que visualizam a melhoria do modelo ao longo do tempo durante o treinamento. A captura de tela a seguir mostra a guia **Visão geral**.
![\[A guia Analisar de um modelo de base ajustado no Canvas, mostrando as curvas de perplexidade e perda.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-fine-tune-analyze-2.png)
Nessa página, você pode ver as seguintes visualizações:
+ A **curva de perplexidade** mede quão bem o modelo prevê a próxima palavra em uma sequência ou quão gramatical é a saída do modelo. Idealmente, à medida que o modelo melhora durante o treinamento, a pontuação diminui e resulta em uma curva que diminui e se achata com o tempo.
+ A **curva de perda** quantifica a diferença entre a saída correta e a saída prevista do modelo. Uma curva de perda que diminui e se achata com o tempo indica que o modelo está melhorando sua capacidade de fazer predições precisas.
A guia **Métricas avançadas** mostra os hiperparâmetros e métricas adicionais do seu modelo. A aparência é a seguinte:
![\[Captura de tela da guia Métricas avançadas de um modelo básico ajustado no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-fine-tune-metrics.png)
A guia **Métricas avançadas** contém as seguintes informações:
+ A seção **Explicabilidade** contém os **hiperparâmetros**, que são os valores definidos antes do trabalho para orientar o ajuste fino do modelo. Se você não especificou hiperparâmetros personalizados nas configurações avançadas do modelo na [Ajuste o modelo](#canvas-fm-chat-fine-tune-procedure-model) seção, o Canvas seleciona os hiperparâmetros padrão para você.
Para JumpStart modelos, você também pode ver a métrica avançada [ROUGE (Recall-Oriented Understudy for Gisting Evaluation)](https://en.wikipedia.org/wiki/ROUGE_(metric)), que avalia a qualidade dos resumos gerados pelo modelo. Ele mede o quão bem o modelo pode resumir os pontos principais de uma passagem.
+ A seção **Artefatos** fornece links para artefatos gerados durante o trabalho de ajuste fino. Você pode acessar os dados de treinamento e validação salvos no Amazon S3, bem como o link para o relatório de avaliação do modelo (para saber mais, consulte o parágrafo a seguir).
Para obter mais informações sobre a avaliação do modelo, você pode baixar um relatório gerado usando o [SageMaker Clarify](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-configure-processing-jobs.html), que é um recurso que pode ajudá-lo a detectar vieses em seu modelo e dados. Primeiro, gere o relatório escolhendo **Gerar relatório de avaliação** na parte inferior da página. Depois que o relatório for gerado, você poderá baixar o relatório completo escolhendo **Baixar relatório** ou retornando à seção **Artefatos**.
Você também pode acessar um caderno Jupyter que mostra como replicar seu trabalho de ajuste fino no código Python. Você pode usar isso para replicar ou fazer alterações programáticas em seu trabalho de ajuste fino ou obter uma compreensão mais profunda de como o Canvas ajusta seu modelo. Para saber mais sobre modelos de cadernos e como acessá-los, consulte[Baixe um modelo de caderno](canvas-notebook.md).
Para obter mais informações sobre como interpretar as informações na guia **Analisar** do seu modelo de base ajustado, consulte o tópico. [Avaliação de modelos](canvas-evaluate-model.md)
Depois de analisar as guias **Visão geral** e **Métricas avançadas**, você também pode optar por abrir a tabela de **classificação do modelo**, que mostra a lista dos modelos básicos treinados durante a criação. O modelo com a pontuação de perda mais baixa é considerado o modelo de melhor desempenho e é selecionado como o **Modelo padrão**, que é o modelo cuja análise você vê na guia **Analisar**. Você só pode testar e implantar o modelo padrão. Para obter mais informações sobre a tabela de classificação dos modelos e como alterar o modelo padrão, consulte. [Veja os candidatos a modelo na tabela de classificação de modelos](canvas-evaluate-model-candidates.md)
### Teste um modelo básico ajustado em um bate-papo
Depois de analisar o desempenho de um modelo básico ajustado, talvez você queira testá-lo ou comparar suas respostas com o modelo básico. Você pode testar um modelo básico ajustado em um bate-papo no atributo **Gerar, extrair e resumir conteúdo**.
Inicie um bate-papo com um modelo ajustado escolhendo um dos seguintes métodos:
+ Na guia **Analisar** do modelo ajustado, escolha **Testar em Ready-to-use** modelos básicos.
+ Na página de **Ready-to-use modelos** do Canvas, escolha **Gerar, extrair e resumir conteúdo**. Em seguida, escolha **Novo bate-papo** e selecione a versão do modelo que você deseja testar.
O modelo é iniciado em um bate-papo e você pode interagir com ele como qualquer outro modelo básico. Você pode adicionar mais modelos ao chat e comparar suas saídas. Para obter mais informações sobre a funcionalidade dos chats, consulte [Modelos básicos de IA generativa no Canvas SageMaker](canvas-fm-chat.md).
## Operacionalize modelos básicos ajustados
Depois de ajustar seu modelo no Canvas, faça o seguinte:
+ Registre o SageMaker modelo no Registro de Modelos para integração com MLOps os processos de sua organização. Para obter mais informações, consulte [Registre uma versão do modelo no registro de modelos de SageMaker IA](canvas-register-model.md).
+ Implante o modelo em um endpoint de SageMaker IA e envie solicitações para o modelo a partir do seu aplicativo ou site para obter previsões (ou *inferências*). Para obter mais informações, consulte [Implantar seus modelos em um endpoint](canvas-deploy-model.md).
**Importante**
Você só pode registrar e implantar modelos de JumpStart base ajustados e baseados em modelos baseados no Amazon Bedrock.
# Ready-to-use modelos
Com Ready-to-use os modelos do Amazon SageMaker Canvas, você pode fazer previsões em seus dados sem escrever uma única linha de código ou ter que criar um modelo — tudo o que você precisa trazer são seus dados. Os Ready-to-use modelos usam modelos pré-criados para gerar previsões sem exigir que você gaste o tempo, a experiência ou o custo necessários para criar um modelo, e você pode escolher entre uma variedade de casos de uso, desde detecção de linguagem até análise de despesas.
O Canvas se integra a AWS serviços existentes, como [Amazon Textract, Amazon](https://docs.aws.amazon.com/textract/latest/dg/what-is.html) [Rekognition e Amazon [Comprehend](https://docs.aws.amazon.com/comprehend/latest/dg/what-is.html), para analisar seus dados](https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html) e fazer previsões ou extrair insights. Você pode usar o poder preditivo desses serviços de dentro da aplicação Canvas para obter predições de alta qualidade para seus dados.
O Canvas é compatível com os seguintes tipos de Ready-to-use modelos:
| Ready-to-use modelo | Description | Tipos de dados compatíveis |
| --- | --- | --- |
| Análise de sentimento | Detecte sentimentos em linhas de texto, que podem ser positivos, negativos, neutros ou mistos. No momento, só é possível fazer análises de sentimentos para textos em inglês. | Texto simples ou tabular (CSV, Parquet) |
| Extração de entidades | Extraia entidades, que são objetos do mundo real, como pessoas, lugares e itens comerciais, ou unidades, como datas e quantidades, do texto. | Texto simples ou tabular (CSV, Parquet) |
| Detecção de idioma | Determine o idioma dominante em textos como inglês, francês ou alemão. | Texto simples ou tabular (CSV, Parquet) |
| Detecção de informações pessoais | Detecte informações pessoais que possam ser usadas para identificar um indivíduo, como endereços, números de contas bancárias e números de telefone, a partir de texto. | Texto simples ou tabular (CSV, Parquet) |
| Detecção de objetos em imagens | Detecte objetos, conceitos, cenas e ações em suas imagens. | Imagem (JPG, PNG) |
| Detecção de texto em imagens | Detecte textos em suas imagens. | Imagem (JPG, PNG) |
| Análise de despesas | Extraia informações de faturas e recibos, como data, número, preços dos itens, valor total e condições de pagamento. | Documento (PDF, JPG, PNG, TIFF) |
| Análise de documento de identidade | Extraia informações de passaportes, carteiras de motorista e outros documentos de identidade emitidos pelo governo dos EUA. | Documento (PDF, JPG, PNG, TIFF) |
| Análise de documentos | Analise documentos e formulários em busca de relações entre o texto detectado. | Documento (PDF, JPG, PNG, TIFF) |
| Consultas de documentos | Extraia informações de documentos estruturados, como recibos de pagamento, extratos bancários, formulários W-2 e formulários de solicitação de hipoteca, fazendo perguntas com o uso de linguagem natural. | Documento (PDF) |
## Conceitos básicos
Para começar a usar os Ready-to-use modelos, revise as informações a seguir.
**Pré-requisitos**
Para usar Ready-to-use modelos no Canvas, você deve ativar as permissões de **configuração dos Ready-to-use modelos do Canvas** ao [configurar seu domínio Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites). A **configuração dos Ready-to-use modelos Canvas** anexa a política de [AmazonSageMakerCanvasAIServicesacesso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) à função de execução do seu usuário do Canvas AWS Identity and Access Management (IAM). Se você encontrar algum problema com a concessão de permissões, consulte o tópico [Solução de problemas com a concessão de permissões por meio do console de SageMaker IA](canvas-limits.md#canvas-troubleshoot-trusted-services).
Se você já configurou seu Domínio, você pode editar suas configurações de Domínio e ativar as permissões. Para obter instruções sobre como editar suas configurações de domínio, consulte [Editar configurações de domínio](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-edit.html). Ao editar as configurações do seu domínio, acesse as **configurações do Canvas** e ative a opção **Ativar Ready-to-use modelos do Canvas**.
**(Opcional) Desativar o armazenamento de dados dos serviços de IA**
Alguns serviços de AWS IA armazenam e usam seus dados para fazer melhorias no serviço. Você pode optar por não ter o seu conteúdo armazenado nem utilizado para melhorias no serviço. Para obter mais informações sobre como optar por não participar, consulte as [Políticas de Exclusão dos Serviços de IA](https://docs.aws.amazon.com/organizations/latest/userguide/orgs_manage_policies_ai-opt-out.html) no *AWS Organizations Guia do usuário do*.
**Como usar Ready-to-use modelos**
Para começar a usar Ready-to-use modelos, faça o seguinte:
1. **(Opcional) Importe seus dados.** Você pode importar um conjunto de dados tabular, de imagem ou documento para gerar previsões em lote ou um conjunto de dados de previsões com modelos. Ready-to-use Para começar a importar um conjunto de dados, consulte [Criar um conjunto de dados](canvas-data-flow.md).
1. **Gere predições.** Você pode gerar previsões únicas ou em lote com o Ready-to-use modelo escolhido. Para começar a fazer predições, consulte [Fazer predições para dados de texto](canvas-ready-to-use-predict-text.md).
# Fazer predições para dados de texto
Os procedimentos a seguir descrevem como fazer predições únicas e em lote para conjuntos de dados de texto. Cada Ready-to-use modelo suporta **previsões únicas e previsões** **em lote** para seu conjunto de dados. Uma **predição única** é quando você só precisa fazer uma predição. Por exemplo, você tem uma imagem da qual deseja extrair texto ou um parágrafo de texto e deseja detectar seu idioma dominante. Uma **predição em lote** é quando você quer fazer predições para um conjunto de dados inteiro. Por exemplo, você pode ter um arquivo CSV de avaliações de clientes para o qual gostaria de analisar o sentimento do cliente ou pode ter arquivos de imagem nos quais gostaria de detectar objetos.
Você pode usar esses procedimentos para os seguintes tipos de Ready-to-use modelo: análise de sentimentos, extração de entidades, detecção de idioma e detecção de informações pessoais.
**nota**
Para a análise de sentimentos, só é possível usar textos em inglês.
## Previsões únicas
Para fazer uma única previsão para Ready-to-use modelos que aceitam dados de texto, faça o seguinte:
1. No painel de navegação esquerdo do aplicativo Canvas, escolha **eady-to-usemodelos R.**
1. Na página de **Ready-to-use modelos**, escolha o Ready-to-use modelo para seu caso de uso. Para dados de texto, ele deve ser uma das seguintes opções: **Análise de sentimentos**, **Extração de entidades**, **Detecção de idioma** ou **Detecção de informações pessoais**.
1. Na página **Executar previsões** do Ready-to-use modelo escolhido, escolha **Predição única**.
1. Em **Campo de texto**, insira o texto para o qual você gostaria de obter uma predição.
1. Escolha **Gerar resultados de predição** para obter sua predição.
No painel à direita **Resultados da predição**, você receberá uma análise do seu texto, além de uma pontuação de **Confiança** para cada resultado ou rótulo. Por exemplo, se você escolher a detecção de idioma e inserir uma passagem de texto em francês, poderá obter francês com uma pontuação de confiança de 95% e traços de outros idiomas, como inglês, com uma pontuação de confiança de 5%.
A captura de tela a seguir mostra os resultados de uma única predição usando a detecção de idioma, em que o modelo tem 100% de certeza de que a passagem é em inglês.
![\[Captura de tela dos resultados de uma única previsão com o Ready-to-use modelo de detecção de idioma.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-text-prediction.png)
## Previsões em lote
Para fazer previsões em lote para Ready-to-use modelos que aceitam dados de texto, faça o seguinte:
1. No painel de navegação esquerdo do aplicativo Canvas, escolha **eady-to-usemodelos R.**
1. Na página de **Ready-to-use modelos**, escolha o Ready-to-use modelo para seu caso de uso. Para dados de texto, ele deve ser uma das seguintes opções: **Análise de sentimentos**, **Extração de entidades**, **Detecção de idioma** ou **Detecção de informações pessoais**.
1. Na página **Executar previsões** do Ready-to-use modelo escolhido, escolha **Previsão em lote**.
1. Escolha **Selecionar conjunto de dados** se você já tiver importado seu conjunto de dados. Caso contrário, escolha **Importar novo conjunto de dados** e, em seguida, você será direcionado pelo fluxo de trabalho de importação de dados.
1. Na lista de conjuntos de dados disponíveis, selecione seu conjunto de dados e escolha **Gerar predições** para obter suas predições.
Depois que a execução do trabalho de predição for concluída, na página **Executar predições**, você verá um conjunto de dados de saída listado em **Previsões**. Esse conjunto de dados contém seus resultados e, se você selecionar o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), poderá **Visualizar** os dados de saída. Em seguida, você pode escolher **Download** para baixar os resultados.
# Fazer predições para dados de imagem
Os procedimentos a seguir descrevem como fazer predições únicas e em lote para conjuntos de dados de imagem. Cada Ready-to-use modelo suporta **previsões únicas e previsões** **em lote** para seu conjunto de dados. Uma **predição única** é quando você só precisa fazer uma predição. Por exemplo, você tem uma imagem da qual deseja extrair texto ou um parágrafo de texto e deseja detectar seu idioma dominante. Uma **predição em lote** é quando você quer fazer predições para um conjunto de dados inteiro. Por exemplo, você pode ter um arquivo CSV de avaliações de clientes para o qual gostaria de analisar o sentimento do cliente ou pode ter arquivos de imagem nos quais gostaria de detectar objetos.
Você pode usar esses procedimentos para os seguintes tipos de Ready-to-use modelo: imagens de detecção de objetos e detecção de texto em imagens.
## Previsões únicas
Para fazer uma única previsão para Ready-to-use modelos que aceitam dados de imagem, faça o seguinte:
1. No painel de navegação esquerdo do aplicativo Canvas, escolha **eady-to-usemodelos R.**
1. Na página de **Ready-to-use modelos**, escolha o Ready-to-use modelo para seu caso de uso. Para dados de imagem, ele deve ser uma das seguintes opções: **Imagens de detecção de objetos** ou **Detecção de texto em imagens**.
1. Na página **Executar previsões** do Ready-to-use modelo escolhido, escolha **Predição única**.
1. Escolha **Fazer upload de imagens**.
1. Será solicitado que você selecione uma imagem para carregar do seu computador local. Selecione a imagem dos seus arquivos locais e, em seguida, os resultados da predição serão gerados.
No painel à direita **Resultados da predição**, você receberá uma análise da sua imagem, além de uma pontuação de **Confiança** para cada objeto ou texto detectado. Por exemplo, se você escolher a detecção de objetos em imagens, receberá uma lista de objetos na imagem junto com uma pontuação de confiança de quão certo o modelo está de que cada objeto foi detectado com precisão, como 93%.
A captura de tela a seguir mostra os resultados de uma predição única usando a solução de detecção de objetos em imagens, na qual o modelo prevê objetos como uma torre de relógio e um ônibus com 100% de confiança.
![\[Os resultados de uma única previsão com a solução de detecção de objetos no Ready-to-use modelo de imagens.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-image-prediction.png)
## Previsões em lote
Para fazer previsões em lote para Ready-to-use modelos que aceitam dados de imagem, faça o seguinte:
1. No painel de navegação esquerdo do aplicativo Canvas, escolha **eady-to-usemodelos R.**
1. Na página de **Ready-to-use modelos**, escolha o Ready-to-use modelo para seu caso de uso. Para dados de imagem, ele deve ser uma das seguintes opções: **Imagens de detecção de objetos** ou **Detecção de texto em imagens**.
1. Na página **Executar previsões** do Ready-to-use modelo escolhido, escolha **Previsão em lote**.
1. Escolha **Selecionar conjunto de dados** se você já tiver importado seu conjunto de dados. Caso contrário, escolha **Importar novo conjunto de dados** e, em seguida, você será direcionado pelo fluxo de trabalho de importação de dados.
1. Na lista de conjuntos de dados disponíveis, selecione seu conjunto de dados e escolha **Gerar predições** para obter suas predições.
Depois que a execução do trabalho de predição for concluída, na página **Executar predições**, você verá um conjunto de dados de saída listado em **Previsões**. Esse conjunto de dados contém seus resultados e, se você selecionar o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), poderá escolher **Exibir resultados de predição** para visualizar os dados de saída. Em seguida, você pode escolher **Baixar predição** para fazer baixar os resultados como um arquivo CSV ou ZIP.
# Fazer predições para dados de documento
Os procedimentos a seguir descrevem como fazer predições únicas e em lote para conjuntos de dados de documento. Cada Ready-to-use modelo suporta **previsões únicas e previsões** **em lote** para seu conjunto de dados. Uma **predição única** é quando você só precisa fazer uma predição. Por exemplo, você tem uma imagem da qual deseja extrair texto ou um parágrafo de texto e deseja detectar seu idioma dominante. Uma **predição em lote** é quando você quer fazer predições para um conjunto de dados inteiro. Por exemplo, você pode ter um arquivo CSV de avaliações de clientes para o qual gostaria de analisar o sentimento do cliente ou pode ter arquivos de imagem nos quais gostaria de detectar objetos.
Você pode usar esses procedimentos para os seguintes tipos de Ready-to-use modelo: análise de despesas, análise de documentos de identidade e análise de documentos.
**nota**
Para consultas de documentos, somente predições únicas são compatíveis atualmente.
## Previsões únicas
Para fazer uma única previsão para Ready-to-use modelos que aceitam dados de documentos, faça o seguinte:
1. No painel de navegação esquerdo do aplicativo Canvas, escolha **eady-to-usemodelos R.**
1. Na página de **Ready-to-use modelos**, escolha o Ready-to-use modelo para seu caso de uso. Para dados de documentos, ele deve ser uma das seguintes opções: **Análise de despesas**, **Análise de documentos de identidade** ou **Análise de documentos**.
1. Na página **Executar previsões** do Ready-to-use modelo escolhido, escolha **Predição única**.
1. Se seu Ready-to-use modelo for análise de documentos de identidade ou análise de documentos, conclua as ações a seguir. Se você estiver fazendo análises de despesas ou consultas de documentos, pule esta etapa e vá para a Etapa 5 ou a Etapa 6, respectivamente.
1. Escolha **Upload de documento**.
1. Será solicitado que você carregue um arquivo PDF, JPG ou PNG do seu computador local. Selecione o documento dos seus arquivos locais e, em seguida, os resultados da predição serão gerados.
1. Se seu Ready-to-use modelo for análise de despesas, faça o seguinte:
1. Escolha **Upload de fatura ou recibo**.
1. Será solicitado que você carregue um arquivo PDF, JPG, PNG ou TIFF do seu computador local. Selecione o documento dos seus arquivos locais e, em seguida, os resultados da predição serão gerados.
1. Se seu Ready-to-use modelo for uma consulta de documentos, faça o seguinte:
1. Escolha **Upload de documento**.
1. Será solicitado que você carregue um arquivo PDF do seu computador local. Selecione o documento em seus arquivos locais. Seu PDF deve ter de 1 a 100 páginas.
**nota**
Se você estiver nas regiões Ásia-Pacífico (Seul), Ásia-Pacífico (Singapura), Ásia-Pacífico (Sydney) ou Europa (Frankfurt), o tamanho máximo do PDF para consultas de documentos é de 20 páginas.
1. No painel à direita, insira consultas para pesquisar informações no documento. O número de caracteres que você pode inserir em uma única consulta é de 1 a 200. Você pode adicionar até 15 consultas por vez.
1. Escolha **Enviar consultas** e, em seguida, os resultados serão gerados com as respostas às suas consultas. Você será cobrado uma vez por cada envio de consultas que fizer.
No painel à direita **Resultados da predição**, você receberá uma análise do seu documento.
As informações a seguir descrevem os resultados de cada tipo de solução:
+ Para análise de despesas, os resultados são categorizados em **Campos de resumo**, que incluem campos como o total em um recibo, e **Campos de item de linha**, que incluem campos como itens individuais em um recibo. Os campos identificados são destacados na imagem do documento na saída.
+ Para análise de documentos de identidade, a saída mostra os campos que o Ready-to-use modelo identificou, como nome e sobrenome, endereço ou data de nascimento. Os campos identificados são destacados na imagem do documento na saída.
+ Para análise de documentos, os resultados são categorizados em **Texto simples**, **Formulários**, **Tabelas** e **Assinaturas**. O **Texto simples** inclui todo o texto extraído, enquanto os **Formulários**, **Tabelas** e **Assinaturas** incluem apenas informações no formato que se enquadram nessas categorias. Por exemplo, as **Tabelas** incluem somente informações extraídas das tabelas no documento. Os campos identificados são destacados na imagem do documento na saída.
+ Para consultas de documentos, o Canvas apresenta respostas para cada uma de suas consultas. Você pode abrir o menu suspenso expansível de consulta para ver um resultado, junto com uma pontuação de confiança para a predição. Se o Canvas encontrar várias respostas no documento, você poderá ter mais de um resultado para cada consulta.
A captura de tela a seguir mostra os resultados de uma única predição usando a solução de análise de documentos.
![\[Captura de tela dos resultados de uma única previsão com o Ready-to-use modelo de análise de documentos.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-document-analysis.png)
## Previsões em lote
Para fazer previsões em lote para Ready-to-use modelos que aceitam dados do documento, faça o seguinte:
1. No painel de navegação esquerdo do aplicativo Canvas, escolha **eady-to-usemodelos R.**
1. Na página de **Ready-to-use modelos**, escolha o Ready-to-use modelo para seu caso de uso. Para dados de imagem, ele deve ser uma das seguintes opções: **Análise de despesas**, **Análise de documentos de identidade** ou **Análise de documentos**.
1. Na página **Executar previsões** do Ready-to-use modelo escolhido, escolha **Previsão em lote**.
1. Escolha **Selecionar conjunto de dados** se você já tiver importado seu conjunto de dados. Caso contrário, escolha **Importar novo conjunto de dados** e, em seguida, você será direcionado pelo fluxo de trabalho de importação de dados.
1. Na lista de conjuntos de dados disponíveis, selecione seu conjunto de dados e escolha **Gerar predições**. Se seu caso de uso for análise de documentos, prossiga para a Etapa 6.
1. (Opcional) Se seu caso de uso for Análise de documentos, outra caixa de diálogo chamada **Selecionar atributos a serem incluídos na predição em lote** será exibida. Você pode selecionar **Formulários**, **Tabelas** e **Assinaturas** para agrupar os resultados por esses atributos. Em seguida, escolha **Gerar predições**.
Depois que a execução do trabalho de predição for concluída, na página **Executar predições**, você verá um conjunto de dados de saída listado em **Previsões**. Esse conjunto de dados contém seus resultados e, se você selecionar o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), poderá escolher **Exibir resultados da predição** para visualizar a análise dos dados do seu documento.
As informações a seguir descrevem os resultados de cada tipo de solução:
+ Para análise de despesas, os resultados são categorizados em **Campos de resumo**, que incluem campos como o total em um recibo, e **Campos de item de linha**, que incluem campos como itens individuais em um recibo. Os campos identificados são destacados na imagem do documento na saída.
+ Para análise de documentos de identidade, a saída mostra os campos que o Ready-to-use modelo identificou, como nome e sobrenome, endereço ou data de nascimento. Os campos identificados são destacados na imagem do documento na saída.
+ Para análise de documentos, os resultados são categorizados em **Texto simples**, **Formulários**, **Tabelas** e **Assinaturas**. O **Texto simples** inclui todo o texto extraído, enquanto os **Formulários**, **Tabelas** e **Assinaturas** incluem apenas informações no formato que se enquadram nessas categorias. Por exemplo, as **Tabelas** incluem somente informações extraídas das tabelas no documento. Os campos identificados são destacados na imagem do documento na saída.
Depois de visualizar seus resultados, você pode escolher **Baixar predição** e baixar os resultados como um arquivo ZIP.
# Modelos personalizados
No Amazon SageMaker Canvas, você pode treinar modelos personalizados de aprendizado de máquina adaptados aos seus dados e casos de uso específicos. Ao treinar um modelo personalizado em seus dados, você pode capturar características e tendências específicas e mais representativas de seus dados. Por exemplo, talvez você queira criar um modelo personalizado de previsão de séries temporais que você treine com base nos dados de inventário do seu armazém e que permita gerenciar suas operações logísticas.
O Canvas é compatível com o treinamento de vários tipos de modelos. Depois de treinar um modelo personalizado, é possível avaliar o desempenho e a precisão do modelo. Quando estiver satisfeito com um modelo, você pode fazer previsões sobre novos dados e também tem a opção de compartilhar o modelo personalizado com cientistas de dados para análise posterior ou implantá-lo em um endpoint hospedado por SageMaker IA para inferência em tempo real, tudo de dentro do aplicativo Canvas.
Você pode treinar um modelo personalizado do Canvas nos seguintes tipos de conjuntos de dados:
+ Tabulares (incluindo dados Numéricos, Categóricos, de Séries temporais e de Texto)
+ Imagem
A tabela a seguir mostra os tipos de modelos personalizados que você pode criar no Canvas, juntamente com os tipos de dados e fontes de dados compatíveis.
| Tipo do modelo | Exemplo de caso de uso | Tipos de dados compatíveis | Fontes de dados compatíveis |
| --- | --- | --- | --- |
| Previsão numérica | Previsão de preços de casas com base em atributos como metragem quadrada | Numérico | Upload local, Amazon S3, conectores SaaS |
| Previsão de 2 categorias | Prever se é provável que um cliente se afaste ou não | Binário ou Categórico | Upload local, Amazon S3, conectores SaaS |
| Previsão de 3 categorias | Prever os resultados do paciente após a alta hospitalar | Categóricos | Upload local, Amazon S3, conectores SaaS |
| Previsão de séries temporais | Prever seu inventário para o próximo trimestre | Séries temporais | Upload local, Amazon S3, conectores SaaS |
| Predição de imagem de rótulo único | Prever tipos de defeitos de fabricação em imagens | Imagem (JPG, PNG) | Upload local, Amazon S3 |
| Previsão de texto de várias categorias | Prever categorias de produtos, como roupas, eletrônicos ou utensílios domésticos, com base nas descrições dos produtos | Coluna de origem: Texto Coluna de destino: Binária ou Categórica | Upload local, Amazon S3 |
**Conceitos básicos**
Para começar a criar e gerar predições a partir de um modelo personalizado, faça o seguinte:
+ Determine seu caso de uso e o tipo de modelo que você deseja criar. Para obter mais informações sobre os tipos de modelo personalizado, consulte [Como os modelos personalizados funcionam](canvas-build-model.md). Para obter mais informações sobre tipos de dados e fontes compatíveis, consulte a seção [importar dados](canvas-importing-data.md).
+ [Importar seus dados](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-importing-data.html) para o Canvas. Você pode criar um modelo personalizado com qualquer conjunto de dados tabular ou de imagem que atenda aos requisitos de entrada. Para obter mais informações sobre os requisitos de entrada, consulte [Criar um conjunto de dados](canvas-import-dataset.md).
Para saber mais sobre conjuntos de dados de amostra fornecidos pela SageMaker IA com os quais você pode experimentar, consulte[Conjunto de dados de amostra no Canvas](canvas-sample-datasets.md).
+ [Criar](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) seu modelo personalizado. Você pode fazer uma **Criação rápida** para obter seu modelo e começar a fazer predições mais rapidamente, ou pode fazer uma **Criação padrão** para obter maior precisão.
Para tipos de modelos de previsão numéricos, categóricos e de séries temporais, você pode limpar e preparar seus dados como [atributo Data Wrangler](canvas-data-prep.md). No Data Wrangler, você pode criar um fluxo de dados e usar várias técnicas de preparação de dados, como aplicar transformações avançadas ou unir conjuntos de dados. Para modelos de predição de imagens, você pode [Editar um conjunto de dados de imagem](canvas-edit-image.md) atualizar seus rótulos ou adicionar e excluir imagens. Observe que você não pode usar esses atributos para modelos de predição de texto de várias categorias.
+ [Avalie o desempenho do seu modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html) e determine o desempenho dele em dados do mundo real.
+ [Fazer predições únicas ou em lote](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-make-predictions.html) com seu modelo.
# Como os modelos personalizados funcionam
Use o Amazon SageMaker Canvas para criar um modelo personalizado no conjunto de dados que você importou. Use o modelo que você criou para fazer previsões sobre novos dados. SageMaker O Canvas usa as informações do conjunto de dados para criar até 250 modelos e escolher aquele com melhor desempenho.
Quando você começa a criar um modelo, o Canvas recomenda automaticamente um ou mais *tipos de modelo*. Os tipos de modelo se enquadram em uma das seguintes categorias:
+ **Previsão numérica** - conhecida como *regressão* no machine learning. Use o tipo de modelo de predição numérica quando quiser fazer predições para dados numéricos. Por exemplo, talvez você queira prever o preço das casas com base em atributos como a metragem quadrada da casa.
+ **Previsão categórica** - conhecida como *classificação* no machine learning. Quando quiser categorizar os dados em grupos, use os tipos de modelo de predição categórica:
+ **Previsão de 2 categorias**: use o tipo de modelo de predição de 2 categorias (também conhecido como *classificação binária* no machine learning) quando você tiver duas categorias que deseja prever para seus dados. Por exemplo, para determinar se é provável que um cliente se afaste.
+ **Previsão de mais de 3 categorias**: use o tipo de modelo de predição de mais de 3 categorias (também conhecido como *classificação de várias classes* no machine learning) quando você tiver três ou mais categorias que deseja prever para seus dados. Por exemplo, para prever o status do empréstimo de um cliente com base em atributos como pagamentos anteriores.
+ **Previsão de séries temporais** - use predições de séries temporais quando quiser fazer predições em um período de tempo. Por exemplo, para prever o número de itens que você venderá no próximo trimestre. Para obter informações sobre previsões de séries temporais, consulte [Previsões de séries temporais no Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-time-series.html).
+ **Previsão de imagem** - use o tipo de modelo de predição de imagem com rótulo único (também conhecido como *classificação de imagem com rótulo único* no machine learning) quando quiser atribuir rótulos às imagens. Por exemplo, para classificar tipos diferentes de defeitos de fabricação em imagens do seu produto.
+ **Previsão de texto** - use o tipo de modelo de predição de texto de várias categorias (também conhecido como *classificação de texto de várias classes* no machine learning) quando quiser atribuir rótulos a passagens de texto. Por exemplo, você pode ter um conjunto de dados de avaliações de clientes sobre um produto e deseja determinar se os clientes gostaram ou não do produto. Você pode fazer com que seu modelo preveja se uma determinada passagem de texto é `Positive`, `Negative` ou `Neutral`.
Para obter uma tabela dos tipos de dados de entrada compatíveis com cada tipo de modelo, consulte [Modelos personalizados](canvas-custom-models.md).
Para cada modelo de dados tabular que você cria (que inclui modelos numéricos, categóricos, de predição de séries temporais e de predição de texto), você escolhe a **Coluna de destino.** A **Coluna de destino** é a coluna que contém as informações que você deseja prever. Por exemplo, se você estiver criando um modelo para prever se as pessoas cancelaram suas assinaturas, a **Coluna de destino** contém pontos de dados que indicam `yes` ou `no` em relação ao status de cancelamento de alguém.
Para modelos de predição de imagem, você cria o modelo com um conjunto de dados de imagens às quais rótulos foram atribuídos. Para as imagens sem rótulos que você fornece, o modelo prevê um rótulo. Por exemplo, se você estiver criando um modelo para prever se uma imagem é um gato ou um cachorro, você fornece imagens rotuladas como gatos ou cachorros ao criar o modelo. Então, o modelo pode aceitar imagens não rotuladas e predizê-las como cães ou gatos.
**O que acontece quando você cria um modelo**
Para criar seu modelo, você pode escolher uma **Criação rápida** ou uma **Criação padrão**. A **Criação rápida** tem um tempo de criação menor, mas a **Criação padrão** geralmente tem uma precisão maior.
Para modelos de previsão tabular e de séries temporais, o Canvas usa a *redução da resolução* para reduzir o tamanho dos conjuntos de dados maiores que 5 GB ou 30 GB, respectivamente. A tela reduz a resolução com o método de amostragem estratificada. A tabela abaixo lista o tamanho da redução de amostragem por tipo de modelo. Para controlar o processo de amostragem, você pode usar o Data Wrangler no Canvas para obter amostras usando sua técnica de amostragem preferida. Para dados de séries temporais, você pode reamostrar para agregar pontos de dados. Para obter mais informações sobre tabelas de exemplo, consulte [Amostragem](canvas-transform.md#canvas-transform-sampling). Para obter mais informações sobre como reamostrar dados de séries temporais, consulte. [Reamostragem de dados de séries temporais](canvas-transform.md#canvas-resample-time-series)
Se você optar por fazer uma **construção rápida** em um conjunto de dados com mais de 50.000 linhas, o Canvas amostrará seus dados em até 50.000 linhas para um tempo menor de treinamento do modelo.
A tabela a seguir resume as principais características do processo de criação de modelos, incluindo os tempos médios de criação para cada modelo e tipo de criação, o tamanho da redução da amostra ao criar modelos com grandes conjuntos de dados e o número mínimo e máximo de pontos de dados que você deve ter para cada tipo de criação.
| Limite | Previsão numérica e categórica | Previsão de séries temporais | Previsão de imagem | Previsão de texto |
| --- | --- | --- | --- | --- |
| Tempo de ** Criação rápida** | De 2 a 20 minutos | De 2 a 20 minutos | De 15 a 30 minutos | De 15 a 30 minutos |
| Tempo de **Criação padrão** | De 2 a 4 horas | De 2 a 4 horas | De 2 a 5 horas | De 2 a 5 horas |
| Diminuir o tamanho da amostra (o tamanho reduzido de um grande conjunto de dados após a redução da resolução do Canvas) | 5 GB | 30 GB | N/D | N/D |
| Número mínimo de entradas (linhas) para **Criações rápidas** | 2 categorias: 500 linhas 3 ou mais categorias, numéricas, séries temporais: N/D | N/D | N/D | N/D |
| Número mínimo de entradas (linhas, imagens ou documentos) para **Criações padrão** | 250 | 50 | 50 | N/D |
| Número máximo de entradas (linhas, imagens ou documentos) para **Criações rápidas** | N/D | N/D | 5000 | 7500 |
| Número máximo de entradas (linhas, imagens ou documentos) para **Criações padrão** | N/D | 150.000 | 180.000 | N/D |
| Número máximo de colunas | 1.000 | 1.000 | N/D | N/D |
O Canvas prevê valores usando as informações no restante do conjunto de dados, dependendo do tipo de modelo:
+ Para a predição categórica, o Canvas coloca cada linha em uma das categorias listadas na **Coluna de destino**.
+ Para a predição numérica, o Canvas usa as informações no conjunto de dados para prever os valores numéricos na **Coluna de destino**.
+ Para a previsão de séries temporais, o Canvas usa dados históricos para prever valores para a **Coluna de destino** no futuro.
+ Para a predição de imagens, o Canvas usa imagens que receberam rótulos para prever rótulos para imagens não rotuladas.
+ Para a predição de texto, o Canvas analisa dados de texto aos quais foram atribuídos rótulos para prever rótulos para passagens de texto não rotuladas.
**Atributos adicionais para ajudar você a criar seu modelo**
Antes de criar seu modelo, você pode usar o Data Wrangler no Canvas para preparar seus dados usando mais de 300 transformações e operadores integrados. O Data Wrangler é compatível com transformações para conjuntos de dados tabulares e de imagem. Além disso, você pode se conectar a fontes de dados fora do Canvas, criar trabalhos para aplicar transformações em todo o seu conjunto de dados e exportar seus dados totalmente preparados e limpos para uso em fluxos de trabalho de ML fora do Canvas. Para obter mais informações, consulte [preparação de dados](canvas-data-prep.md).
Para ver visualizações e analytics para explorar seus dados e determinar quais os melhores atributos a serem incluídos em seu modelo, você pode usar as analytics integradas do Data Wrangler. Você também pode acessar um **relatório de qualidade de dados e insights** que destaca possíveis problemas com seu conjunto de dados e fornece recomendações sobre como corrigi-los. Para obter mais informações, consulte [Realizar análise exploratória de dados (EDA)](canvas-analyses.md).
Além da funcionalidade mais avançada de preparação e exploração de dados fornecida pelo Data Wrangler, o Canvas fornece alguns atributos básicos que você pode usar:
+ Para filtrar seus dados e acessar um conjunto de transformações básicas de dados, consulte[Preparar dados para a criação de modelos](canvas-prepare-data.md).
+ Para acessar visualizações e analytics simples para exploração de atributos, consulte[Exploração e análise de dados](canvas-explore-data.md).
+ Para saber mais sobre atributos adicionais, como visualizar seu modelo, validar seu conjunto de dados e alterar o tamanho da amostra aleatória usada para criar seu modelo, consulte [Visualizar seu modelo](canvas-preview-model.md).
Para conjuntos de dados tabulares com várias colunas (como conjuntos de dados para criar tipos de modelos de previsão categórica, numérica ou de séries temporais), você pode ter linhas com pontos de dados ausentes. Enquanto o Canvas constrói o modelo, ele adiciona automaticamente os valores ausentes. O Canvas usa os valores do seu conjunto de dados para realizar uma aproximação matemática dos valores ausentes. Para obter a maior precisão do modelo, recomendamos adicionar os dados ausentes, se você puder encontrá-los. Observe que o atributo de dados ausentes não é compatível com modelos de predição de texto ou de predição de imagem.
**Conceitos básicos**
Para começar a criar um modelo personalizado, consulte [Criar um modelo](canvas-build-model-how-to.md) e siga o procedimento para o tipo de modelo que você deseja criar.
# Visualizar seu modelo
**nota**
As funcionalidades a seguir estão disponíveis somente para modelos personalizados criados com conjuntos de dados tabulares. Modelos de predição de texto de várias categorias também são excluídos.
SageMaker O Canvas fornece uma ferramenta para visualizar seu modelo antes de começar a construir. Isso fornece uma pontuação de precisão estimada e também uma ideia preliminar de como cada coluna pode impactar o modelo.
Para visualizar a pontuação do modelo, quando você estiver na guia **Criar** do seu modelo, escolha **Visualizar modelo**.
A visualização do modelo gera uma predição de **Precisão estimada** de quão bem o modelo pode analisar seus dados. A precisão de uma **Criação rápida** ou **Criação padrão** representa o desempenho do modelo em dados reais e geralmente é maior do que a **Precisão estimada**.
A visualização prévia do modelo também fornece as pontuações de **impacto da coluna**, que podem indicar a importância de cada coluna para as predições do modelo.
A captura de tela a seguir mostra uma visualização do modelo na aplicação Canvas.
![\[Captura de tela da guia Criar para um modelo no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-build/canvas-build-preview-model.png)
O Amazon SageMaker Canvas processa automaticamente os valores ausentes em seu conjunto de dados enquanto constrói o modelo. Ele infere os valores ausentes usando valores adjacentes que estão presentes no conjunto de dados.
Se você estiver satisfeito com a pré-visualização do seu modelo e quiser continuar com a criação de um modelo, consulte [Criar um modelo](canvas-build-model-how-to.md).
# Validação de dados
Antes de criar seu modelo, o SageMaker Canvas verifica seu conjunto de dados em busca de problemas que possam fazer com que sua construção falhe. Se o SageMaker Canvas encontrar algum problema, ele o avisará na página **Build** antes de você tentar criar um modelo.
Você pode escolher **Validar dados** para obter uma lista dos problemas com seu conjunto de dados. Em seguida, você pode usar os [recursos de preparação de dados do SageMaker Canvas Data Wrangler](canvas-data-prep.md), ou suas próprias ferramentas, para corrigir seu conjunto de dados antes de iniciar uma construção. Se você não corrigir os problemas com seu conjunto de dados, sua criação falhará.
Se você fizer alterações em seu conjunto de dados para corrigir os problemas, você terá a opção de revalidar seu conjunto de dados antes de tentar uma criação. Recomendamos revalidar seu conjunto de dados antes de criar.
A tabela a seguir mostra os problemas que o SageMaker Canvas verifica em seu conjunto de dados e como resolvê-los.
| Problema | Resolução |
| --- | --- |
| Tipo de modelo errado para seus dados | Experimente outro tipo de modelo ou use um conjunto de dados diferente. |
| Valores ausentes na sua coluna de destino | Substitua os valores ausentes, elimine as linhas com valores ausentes ou use um conjunto de dados diferente. |
| Muitos rótulos exclusivos em sua coluna de destino | Verifique se você usou a coluna correta para sua coluna de destino ou use um conjunto de dados diferente. |
| Muitos valores não numéricos em sua coluna de destino | Escolha uma coluna de destino diferente, selecione outro tipo de modelo ou use um conjunto de dados diferente. |
| Um ou mais nomes de coluna contêm sublinhados duplos | Renomeie as colunas para remover sublinhados duplos e tente novamente. |
| Nenhuma das linhas no seu conjunto de dados está completa | Substitua os valores ausentes ou use um conjunto de dados diferente. |
| Muitos rótulos exclusivos para o número de linhas em seus dados | Verifique se você está usando a coluna de destino correta, aumente o número de linhas no seu conjunto de dados, consolide rótulos semelhantes ou use um conjunto de dados diferente. |
# Amostra aleatória
SageMaker O Canvas usa o método de amostragem aleatória para amostrar seu conjunto de dados. O método de amostra aleatória significa que cada linha tem a mesma chance de ser escolhida para a amostra. Você pode escolher uma coluna na visualização prévia para obter estatísticas resumidas para a amostra aleatória, como a média e o modo.
Por padrão, o SageMaker Canvas usa um tamanho de amostra aleatório de 20.000 linhas do seu conjunto de dados para conjuntos de dados com mais de 20.000 linhas. Para conjuntos de dados menores que 20.000 linhas, o tamanho padrão da amostra será o número de linhas no seu conjunto de dados. Você pode aumentar ou diminuir o tamanho da amostra escolhendo **Amostra aleatória** na guia **Criar** do aplicativo SageMaker Canvas. Você pode usar o controle deslizante para selecionar o tamanho da amostra desejada e, em seguida, escolher **Atualizar** para alterar o tamanho da amostra. O tamanho máximo da amostra que você pode escolher para um conjunto de dados é de 40.000 linhas e o tamanho mínimo da amostra é de 500 linhas. Se você escolher uma amostra grande, a visualização prévia do conjunto de dados e as estatísticas resumidas podem levar alguns minutos para serem recarregadas.
A página de **Criação** mostra uma visualização prévia de 100 linhas do seu conjunto de dados. Se o tamanho da amostra for do mesmo tamanho do seu conjunto de dados, a visualização prévia usará as primeiras 100 linhas do seu conjunto de dados. Caso contrário, a visualização prévia usa as primeiras 100 linhas da amostra aleatória.
# Criar um modelo
As seções a seguir mostram como criar um modelo para cada um dos principais tipos de modelos personalizados.
+ Para criar modelos de predição numérica, predição de 2 categorias ou de predição de mais de 3 categorias, consulte [Criar um modelo personalizado de predição numérica ou categórica](#canvas-build-model-numeric-categorical).
+ Para criar modelos de predição de imagem com rótulo único, consulte [Criar um modelo personalizado de predição de imagem](#canvas-build-model-image).
+ Para criar modelos de predição de texto de várias categorias, consulte [Criar um modelo personalizado de predição de texto](#canvas-build-model-text).
+ Para criar modelos de previsão de séries temporais, consulte [Crie um modelo de previsão de séries temporais](#canvas-build-model-forecasting).
**nota**
Se você encontrar um erro durante a análise pós-criação que solicita que você aumente sua cota para instâncias `ml.m5.2xlarge`, consulte [Solicitar um aumento de cota](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-requesting-quota-increases.html).
## Criar um modelo personalizado de predição numérica ou categórica
Os modelos de predição numérica e categórica são compatíveis com as **Criações rápidas** e as **Criações padrão**.
Para criar um modelo de predição numérica ou categórica, use o seguinte procedimento:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Escolha **Novo modelo**.
1. Na caixa de diálogo **Criar novo modelo**, faça o seguinte:
1. Insira um nome no campo **Nome do modelo**.
1. Selecione o tipo de problema de **análise preditiva**.
1. Escolha **Criar**.
1. Em **Selecionar conjunto de dados**, selecione seu conjunto de dados na lista de conjuntos de dados. Se você ainda não importou seus dados, escolha **Importar** para ser direcionado pelo fluxo de trabalho de importação de dados.
1. Quando estiver pronto para começar a criar seu modelo, escolha **Selecionar conjunto de dados**.
1. Na guia **Criar**, na lista suspensa da **Coluna de destino**, selecione o destino do modelo que você gostaria de prever.
1. Para o **Tipo de modelo**, o Canvas detecta automaticamente o tipo de problema para você. Se você quiser alterar o tipo ou definir configurações avançadas do modelo, escolha **Configurar modelo**.
Quando a caixa de diálogo **Configurar modelo** abrir, faça o seguinte:
1. Para **Tipo de modelo**, escolha o tipo de modelo que deseja criar.
1. Depois de escolher o tipo de modelo, há **configurações avançadas** adicionais. Para obter mais informações sobre configurações da hora do dia, consulte [Configurações avançadas de construção de modelos](canvas-advanced-settings.md). Para configurar as configurações avançadas, faça o seguinte:
1. No menu suspenso **Métrica objetiva**, selecione a métrica que você deseja que o Canvas otimize ao criar seu modelo. Se você não selecionar uma métrica, o Canvas escolherá uma para você por padrão. Para obter descrições das métricas disponíveis, consulte [Referência de métricas](canvas-metrics.md).
1. Para o **método de treinamento**, escolha o modo **Auto**, **Conjunto** ou **Otimização de hiperparâmetros (HPO)**.
1. Em **Algoritmos**, selecione os algoritmos que você deseja incluir para criar candidatos a modelos.
1. Em **Divisão de dados**, especifique em porcentagens como você deseja dividir seus dados entre o **conjunto de treinamento** e o **conjunto de validação**. O conjunto de treinamento é usado para criar o modelo, enquanto o conjunto de validação é usado para testar a precisão dos candidatos a modelos.
1. Para **candidatos máximos e runtime**, faça o seguinte:
1. Defina o valor **máximo de candidatos** ou o número máximo de candidatos a modelos que o Canvas pode gerar. Observe que o **número máximo de candidatos** está disponível apenas no modo HPO.
1. Defina os valores de hora e minuto para o tempo **runtime do trabalho máximo** ou a quantidade máxima de tempo que o Canvas pode gastar construindo seu modelo. Após o tempo máximo, o Canvas para de construir e seleciona o melhor candidato a modelo.
1. Depois de definir as configurações avançadas, escolha **Salvar**.
1. Marque ou desmarque colunas em seus dados para incluí-las ou eliminá-las da sua criação.
**nota**
Se você fizer predições em lote com seu modelo após a criação, o Canvas adicionará colunas descartadas aos resultados da predição. No entanto, o Canvas não adicionará as colunas eliminadas às suas predições em lote para modelos de séries temporais.
1. (Opcional) Use as ferramentas de visualização e analytics que o Canvas fornece para visualizar seus dados e determinar quais atributos você deseja incluir em seu modelo. Para obter mais informações, consulte [Explorar e analisar seus dados](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html).
1. (Opcional) Use transformações de dados para limpar, transformar e preparar seus dados para a criação de modelos. Para obter mais informações, consulte [Preparar seus dados com transformações avançadas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html). Você pode visualizar e remover suas transformações escolhendo **Fórmula de modelo** para abrir o painel lateral **Fórmula de modelo**.
1. (Opcional) Para atributos adicionais, como visualizar a precisão do seu modelo, validar seu conjunto de dados e alterar o tamanho da amostra aleatória que o Canvas coleta do seu conjunto de dados, consulte [Visualizar seu modelo](canvas-preview-model.md).
1. Depois de analisar seus dados e fazer qualquer alteração em seu conjunto de dados, escolha **Criação rápida** ou **Criação padrão** para começar a criar seu modelo. A captura de tela a seguir mostra a página de **Criação** e as opções de **Criação rápida** e **Criação padrão**.
![\[A página de Criação de um modelo de 2 categorias mostrando as opções de Criação rápida e Criação padrão.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/build-page-tabular-quick-standard-options.png)
Depois que seu modelo começar a ser criado, você poderá sair da página. Quando o modelo aparecer como **Pronto** na página **Meus modelos**, ele estará pronto para análise e predições.
## Criar um modelo personalizado de predição de imagem
Os modelos de predição de imagem de rótulo único são compatíveis com as **Criações rápidas** e as **Criações padrão**.
Para criar um modelo de predição de imagem de rótulo único, use o seguinte procedimento:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Escolha **Novo modelo**.
1. Na caixa de diálogo **Criar novo modelo**, faça o seguinte:
1. Insira um nome no campo **Nome do modelo**.
1. Selecione o tipo de problema **de análise de imagem**.
1. Escolha **Criar**.
1. Em **Selecionar conjunto de dados**, selecione seu conjunto de dados na lista de conjuntos de dados. Se você ainda não importou seus dados, escolha **Importar** para ser direcionado pelo fluxo de trabalho de importação de dados.
1. Quando estiver pronto para começar a criar seu modelo, escolha **Selecionar conjunto de dados**.
1. Na guia **Criar**, é possível ver a **Distribuição de rótulos** para as imagens em seu conjunto de dados. O **Tipo de modelo** está definido como **Predição de imagem de rótulo único**.
1. Nessa página, você pode visualizar suas imagens e editar o conjunto de dados. Se você tiver alguma imagem sem rótulo, escolha **Editar conjunto de dados** e [Atribuir rótulos a imagens não rotuladas](canvas-edit-image.md#canvas-edit-image-assign). Você também pode realizar outras tarefas junto com [Editar um conjunto de dados de imagem](canvas-edit-image.md), como renomear rótulos e adicionar imagens ao conjunto de dados.
1. Depois de analisar seus dados e fazer qualquer alteração em seu conjunto de dados, escolha **Criação rápida** ou **Criação padrão** para começar a criar seu modelo. A captura de tela a seguir mostra a página de **Criação** de um modelo de predição de imagem que está pronto para ser criado.
![\[Página de Criação de um modelo de predição de imagem de rótulo único.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/build-page-image-model.png)
Depois que seu modelo começar a ser criado, você poderá sair da página. Quando o modelo aparecer como **Pronto** na página **Meus modelos**, ele estará pronto para análise e predições.
## Criar um modelo personalizado de predição de texto
Os modelos de predição numérica e de várias categorias são compatíveis com as **Criações rápidas** e as **Criações padrão**.
Para criar um modelo de predição de texto, use o seguinte procedimento:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Escolha **Novo modelo**.
1. Na caixa de diálogo **Criar novo modelo**, faça o seguinte:
1. Insira um nome no campo **Nome do modelo**.
1. Selecione o tipo de problema de **Análise de texto**.
1. Escolha **Criar**.
1. Em **Selecionar conjunto de dados**, selecione seu conjunto de dados na lista de conjuntos de dados. Se você ainda não importou seus dados, escolha **Importar** para ser direcionado pelo fluxo de trabalho de importação de dados.
1. Quando estiver pronto para começar a criar seu modelo, escolha **Selecionar conjunto de dados**.
1. Na guia **Criar**, na lista suspensa da **Coluna de destino**, selecione o destino do modelo que você gostaria de prever. A coluna de destino deve ter um tipo de dados binário ou categórico e deve haver pelo menos 25 entradas (ou linhas de dados) para cada rótulo exclusivo na coluna de destino.
1. Em **Tipo de modelo**, confirme se o tipo de modelo está automaticamente definido como **Previsão de texto de várias categorias**.
1. Para a coluna de treinamento, selecione sua coluna de origem de dados de texto. Essa deve ser a coluna que contém o texto que você deseja analisar.
1. Escolha **Criação rápida** ou **Criação padrão** para começar a criar seu modelo. A captura de tela a seguir mostra a página de **Criação** de um modelo de predição de texto que está pronto para ser criado.
![\[Página de Criação para um modelo de predição de texto de várias categorias.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/build-page-text-model.png)
Depois que seu modelo começar a ser criado, você poderá sair da página. Quando o modelo aparecer como **Pronto** na página **Meus modelos**, ele estará pronto para análise e predições.
## Crie um modelo de previsão de séries temporais
Os modelos de previsão de séries temporais oferecem apoio tanto para **compilações rápidas** quanto para **compilações padrão**.
Use o procedimento a seguir para fazer uma previsão de séries temporais.
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Escolha **Novo modelo**.
1. Na caixa de diálogo **Criar novo modelo**, faça o seguinte:
1. Insira um nome no campo **Nome do modelo**.
1. Selecione o tipo de problema **de previsão de séries temporais**.
1. Escolha **Criar**.
1. Em **Selecionar conjunto de dados**, selecione seu conjunto de dados na lista de conjuntos de dados. Se você ainda não importou seus dados, escolha **Importar** para ser direcionado pelo fluxo de trabalho de importação de dados.
1. Quando estiver pronto para começar a criar seu modelo, escolha **Selecionar conjunto de dados**.
1. Na guia **Criar**, na lista suspensa da **Coluna de destino**, selecione o destino do modelo que você gostaria de prever.
1. Na seção **Tipo de modelo**, escolha **Configurar modelo**.
1. A caixa **Configurar modelo** é aberta. Para a seção **Configuração de séries temporais**, preencha os seguintes campos:
1. Para a **coluna ID do item**, escolha uma coluna em seu conjunto de dados que identifique cada linha de forma exclusiva. A coluna deve ter o tipo de dados `Text`.
1. (Opcional) Em **Coluna de grupo**, escolha uma ou mais colunas categóricas (com o tipo de dados `Text`) que você deseja usar para agrupar seus valores de predição.
1. Em **Coluna de carimbo de data e hora**, selecione a coluna com carimbos de data e hora (no formato de data e hora). Para obter mais informações sobre os formatos de data/hora aceitos, consulte[Previsões de séries temporais no Amazon Canvas SageMaker](canvas-time-series.md).
1. No campo **Duração da previsão**, insira o período de tempo para o qual você deseja prever valores. O Canvas detecta automaticamente as unidades de tempo em seus dados.
1. (Opcional) Ative a opção **Usar agenda de feriados** para selecionar uma agenda de feriados de vários países e tornar suas previsões com dados de feriados mais precisas.
1. Na caixa **Configurar modelo**, há configurações adicionais na seção **Avançado**. Para obter mais informações sobre configurações da hora do dia, consulte [Configurações avançadas de construção de modelos](canvas-advanced-settings.md). Para configurar as configurações **avançadas**, faça o seguinte:
1. No menu suspenso **Métrica objetiva**, selecione a métrica que você deseja que o Canvas otimize ao criar seu modelo. Se você não selecionar uma métrica, o Canvas escolherá uma para você por padrão. Para obter descrições das métricas disponíveis, consulte [Referência de métricas](canvas-metrics.md).
1. Se você estiver executando uma compilação padrão, verá a seção **Algoritmos**. Esta seção é para selecionar os algoritmos de previsão de séries temporais que você gostaria de usar para criar seu modelo. Você pode selecionar um subconjunto dos algoritmos disponíveis ou selecionar todos eles se não tiver certeza de quais deles tentar.
Quando você executa sua compilação padrão, o Canvas cria um modelo de conjunto que combina todos os algoritmos para otimizar a precisão da predição.
**nota**
Se você estiver executando uma compilação rápida, o Canvas usa um único algoritmo de aprendizado baseado em árvore para treinar seu modelo, e você não precisa selecionar nenhum algoritmo.
1. Para **quantis de previsão**, insira até 5 valores de quantil separados por vírgula para especificar os limites superior e inferior da sua previsão.
1. Depois de definir as configurações **avançadas**, escolha **Salvar**.
1. Marque ou desmarque colunas em seus dados para incluí-las ou eliminá-las da sua criação.
**nota**
Se você fizer predições em lote com seu modelo após a criação, o Canvas adicionará colunas descartadas aos resultados da predição. No entanto, o Canvas não adicionará as colunas eliminadas às suas predições em lote para modelos de séries temporais.
1. (Opcional) Use as ferramentas de visualização e analytics que o Canvas fornece para visualizar seus dados e determinar quais atributos você deseja incluir em seu modelo. Para obter mais informações, consulte [Explorar e analisar seus dados](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html).
1. (Opcional) Use transformações de dados para limpar, transformar e preparar seus dados para a criação de modelos. Para obter mais informações, consulte [Preparar seus dados com transformações avançadas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html). Você pode visualizar e remover suas transformações escolhendo **Fórmula de modelo** para abrir o painel lateral **Fórmula de modelo**.
1. (Opcional) Para atributos adicionais, como visualizar a precisão do seu modelo, validar seu conjunto de dados e alterar o tamanho da amostra aleatória que o Canvas coleta do seu conjunto de dados, consulte [Visualizar seu modelo](canvas-preview-model.md).
1. Depois de analisar seus dados e fazer qualquer alteração em seu conjunto de dados, escolha **Criação rápida** ou **Criação padrão** para começar a criar seu modelo.
Depois que seu modelo começar a ser criado, você poderá sair da página. Quando o modelo aparecer como **Pronto** na página **Meus modelos**, ele estará pronto para análise e predições.
# Configurações avançadas de construção de modelos
O Amazon SageMaker Canvas oferece suporte a várias configurações avançadas que você pode configurar ao criar um modelo. A página a seguir lista todas as configurações avançadas junto com informações adicionais sobre suas opções e configurações.
**nota**
Atualmente, as configurações avançadas a seguir são compatíveis somente com tipos de modelo de previsão numéricos, categóricos e de séries temporais.
## Modelos de predição numérica e categórica
O Canvas é compatível com as seguintes configurações avançadas para tipos de modelos de predição numéricos e categóricos:
### Métrica objetiva
A métrica objetiva é a métrica que você deseja que o Canvas otimize ao criar seu modelo. Se você não selecionar uma métrica, o Canvas escolherá uma para você por padrão. Para obter descrições das métricas disponíveis, consulte [Referência de métricas](canvas-metrics.md).
### modo de treinamento
O Canvas pode selecionar automaticamente o método de treinamento com base no tamanho do conjunto de dados, ou você pode selecioná-lo manualmente. Os seguintes métodos de treinamento estão disponíveis para você escolher:
+ **Ensembling** — A SageMaker IA aproveita a AutoGluon biblioteca para treinar vários modelos básicos. Para encontrar a melhor combinação para seu conjunto de dados, o modo ensemble executa 5 a 10 ensaios com diferentes configurações de modelo e meta-parâmetros. Em seguida, esses modelos são combinados usando um método de empilhamento de conjunto para criar um modelo preditivo ideal. Para obter uma lista de algoritmos compatíveis com o modo de agrupamento para dados tabulares, consulte a seção [Algoritmos](#canvas-advanced-settings-predictive-algos) a seguir.
+ **Otimização de hiperparâmetros (HPO)** — A SageMaker IA encontra a melhor versão de um modelo ajustando hiperparâmetros usando otimização bayesiana ou otimização multifidelidade enquanto executa trabalhos de treinamento em seu conjunto de dados. O modo HPO seleciona os algoritmos mais relevantes para seu conjunto de dados e seleciona a melhor variedade de hiperparâmetros para ajustar seus modelos. Para ajustar seus modelos, o modo HPO executa até 100 testes (padrão) para encontrar as configurações ideais de hiperparâmetros dentro da faixa selecionada. Se o tamanho do seu conjunto de dados for menor que 100 MB, a SageMaker IA usa a otimização bayesiana. SageMaker A IA escolhe a otimização de multifidelidade se seu conjunto de dados for maior que 100 MB.
Para obter uma lista de algoritmos compatíveis com o modo HPO para dados tabulares, consulte a seção[Algoritmos](#canvas-advanced-settings-predictive-algos) a seguir.
+ **Automático** — A SageMaker IA escolhe automaticamente o modo de agrupamento ou o modo HPO com base no tamanho do seu conjunto de dados. Se seu conjunto de dados for maior que 100 MB, a SageMaker IA escolherá o modo HPO. Caso contrário, ele escolhe o modo de agrupamento.
### Algoritmos
No **combinação de modelos**, o Canvas oferece apoio aos seguintes tipos de algoritmos de machine learning:
+ [LightGBM](https://docs.aws.amazon.com/sagemaker/latest/dg/lightgbm.html): Uma estrutura otimizada que usa algoritmos baseados em árvore com aumento de gradiente. Esse algoritmo usa árvores que crescem em largura, em vez de profundidade, e é altamente otimizado para velocidade.
+ [CatBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/catboost.html)— Uma estrutura que usa algoritmos baseados em árvore com aumento de gradiente. Otimizado para lidar com variáveis categóricas.
+ [XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)— Uma estrutura que usa algoritmos baseados em árvore com aumento de gradiente que cresce em profundidade, em vez de amplitude.
+ [Random Forest](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html): Um algoritmo baseado em árvore que usa várias árvores de decisão em subamostras aleatórias dos dados com substituição. As árvores são divididas em nós ideais em cada nível. As decisões de cada árvore são calculadas em conjunto para evitar ajustes excessivos e melhorar as predições.
+ [Árvores extras](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.ExtraTreesClassifier.html#sklearn.ensemble.ExtraTreesClassifier): Um algoritmo baseado em árvore que usa várias árvores de decisão em todo o conjunto de dados. As árvores são divididas aleatoriamente em cada nível. As decisões de cada árvore são calculadas para evitar ajustes excessivos e melhorar as predições. Árvores extras adicionam um grau de randomização em comparação com o algoritmo de floresta aleatória.
+ [Modelos lineares](https://scikit-learn.org/stable/modules/classes.html#module-sklearn.linear_model): Uma estrutura que usa uma equação linear para modelar a relação entre duas variáveis nos dados observados.
+ Tocha de rede neural: Um modelo de rede neural implementado usando [PyTorch](https://pytorch.org/).
+ Rede neural fast.ai: Um modelo de rede neural implementado usando [fast.ai](https://www.fast.ai/).
No **modo HPO**, o Canvas oferece apoio aos seguintes tipos de algoritmos de machine learning:
+ [XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)— Um algoritmo de aprendizado supervisionado que tenta prever com precisão uma variável alvo combinando um conjunto de estimativas de um conjunto de modelos mais simples e mais fracos.
+ Algoritmo de aprendizado profundo: Um perceptron multicamada (MLP) e uma rede neural artificial de feedback. Esse algoritmo pode lidar com dados que não são linearmente separáveis.
### Dividir dados
Você tem a opção de especificar como deseja dividir seu conjunto de dados entre o conjunto de treinamento (a parte do conjunto de dados usada para criar o modelo) e o conjunto de validação (a parte do conjunto de dados usada para verificar a precisão do modelo). Por exemplo, uma taxa de divisão comum é 80% de treinamento e 20% de validação, em que 80% dos seus dados são usados para criar o modelo, enquanto 20% são salvos para medir o desempenho do modelo. Se você não especificar uma proporção personalizada, o Canvas dividirá seu conjunto de dados automaticamente.
### Máximo de candidatos
**nota**
Este atributo só está disponível no modo de treinamento HPO.
Você pode especificar o número máximo de candidatos a modelos que o Canvas gera ao construir seu modelo. Recomendamos usar o número padrão de candidatos, que é 100, para criar modelos mais precisos. O número máximo de pilhas que você pode especificar é 250. Diminuir o número de candidatos a modelos pode afetar a precisão do seu modelo.
### Runtime do trabalho máximo
Você pode especificar o runtime máximo de trabalho ou a quantidade máxima de tempo que o Canvas gasta construindo seu modelo. Após o limite de tempo, o Canvas interrompe a compilação e seleciona o melhor modelo candidato.
O tempo máximo que você pode especificar é 720 horas. É altamente recomendável que você mantenha o runtime máximo de trabalho superior a 30 minutos para garantir que o Canvas tenha tempo suficiente para gerar candidatos a modelos e concluir a construção do seu modelo.
## Configurações avançadas do modelo de previsão de séries temporais
Para modelos de previsão de séries temporais, o Canvas é compatível com a métrica Objetivo, que está listada na seção anterior.
Os modelos de previsão de séries temporais também oferecem apoio à seguinte configuração avançada:
### Seleção de algoritmos
Quando você cria um modelo de previsão de séries temporais, o Canvas usa um *conjunto* (ou uma combinação) de algoritmos estatísticos e de machine learning para fornecer previsões de séries temporais altamente precisas. Por padrão, o Canvas seleciona a combinação ideal de todos os algoritmos disponíveis com base na série temporal em seu conjunto de dados. No entanto, você tem a opção de especificar um ou mais algoritmos para usar em seu modelo de previsão. Nesse caso, o Canvas determina a melhor combinação usando somente os algoritmos selecionados. Se você não tiver certeza sobre qual algoritmo selecionar para treinar seu modelo, recomendamos que escolha todos os algoritmos disponíveis.
**nota**
A seleção de algoritmos só é compatível com compilações padrão. Se você não selecionar nenhum algoritmo nas configurações avançadas, por padrão, a SageMaker IA executa uma criação rápida e treina candidatos a modelo usando um único algoritmo de aprendizado baseado em árvore. Para obter mais informações sobre a diferença entre as compilações rápidas e padrão, consulte. [Como os modelos personalizados funcionam](canvas-build-model.md)
O Canvas é compatível com os seguintes algoritmos de previsão de séries temporais:
+ [Média móvel integrada autorregressiva (ARIMA)](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average): Um modelo estocástico simples de série temporal que usa análise estatística para interpretar os dados e fazer predições futuras. Esse algoritmo é útil para conjuntos de dados simples com menos de 100 séries temporais.
+ [Rede Neural Convolucional: Regressão Quantílica (CNN-QR)](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html): Um algoritmo de aprendizado supervisionado e proprietário que treina um modelo global de uma grande coleção de séries temporais e usa um decodificador quantílico para fazer predições. O CNN-QR funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais.
+ [DeepAr\$1](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) — Um algoritmo de aprendizado supervisionado proprietário para prever séries temporais escalares usando redes neurais recorrentes (RNNs) para treinar um único modelo em conjunto em todas as séries temporais. O DeepAR\$1 funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais de atributos.
+ [Séries Temporais Não Paramétricas (NPTS)](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html): Um previsor de linha de base probabilístico e escalável que prevê a distribuição de um valor futuro de uma determinada série temporal por amostragem de observações passadas. O NPTS é útil ao trabalhar com séries temporais esparsas ou intermitentes (por exemplo, prever a demanda de itens individuais em que a série temporal tem muitos 0s ou contagens baixas).
+ [Suavização exponencial (ETS)](https://en.wikipedia.org/wiki/Exponential_smoothing): Um método de previsão que produz previsões que são médias ponderadas de observações passadas em que os pesos das observações mais antigas diminuem exponencialmente. O algoritmo é especialmente útil para conjuntos de dados simples com menos de 100 séries temporais e conjuntos de dados com padrões de sazonalidade.
+ [Profeta](https://facebook.github.io/prophet/): Um modelo de regressão aditiva que funciona melhor com séries temporais que tenham fortes efeitos sazonais e várias temporadas de dados históricos. O algoritmo é útil para conjuntos de dados com tendências de crescimento não lineares que se aproximam de um limite.
### Quantis de previsão
Para previsão de séries temporais, a SageMaker IA treina 6 candidatos modelo com sua série temporal alvo. Em seguida, a SageMaker IA combina esses modelos usando um método de conjunto de empilhamento para criar um modelo de previsão ideal para uma determinada métrica objetiva. Cada modelo de previsão gera uma previsão probabilística produzindo previsões em quantis entre P1 e P99. Esses quantis são usados para contabilizar a incerteza da previsão. Por padrão, as previsões serão geradas para 0,1 (`p10`), 0,5 (`p50`) e 0,9 (`p90`). Você pode escolher especificar até cinco de seus próprios quantis de 0,01 (`p1`) a 0,99 (`p99`), por incrementos de 0,01 ou mais.
# Editar um conjunto de dados de imagem
No Amazon SageMaker Canvas, você pode editar seus conjuntos de dados de imagens e revisar suas etiquetas antes de criar um modelo. É possível realizar tarefas como atribuir rótulos a imagens não rotuladas ou adicionar mais imagens ao conjunto de dados. Todas essas tarefas podem ser realizadas na aplicação Canvas, que fornece um único local para modificar seu conjunto de dados e criar um modelo.
**nota**
Antes de criar um modelo, você deve atribuir rótulos a todas as imagens no seu conjunto de dados. Além disso, você deve ter pelo menos 25 imagens por rótulo e no mínimo dois rótulos. Para obter mais informações sobre como atribuir rótulos, consulte a seção desta página chamada **Atribuir rótulos a imagens não rotuladas**. Se você não conseguir determinar um rótulo para uma imagem, exclua-a do seu conjunto de dados. Para obter mais informações sobre a exclusão de imagens, consulte a seção da página [Adicionar ou excluir imagens do conjunto de dados](#canvas-edit-image-add-delete).
Para começar a editar seu conjunto de dados de imagem, você deve estar na guia **Criar** ao criar seu modelo de predição de imagem de rótulo único.
Uma nova página é aberta, mostrando as imagens em seu conjunto de dados junto com seus rótulos. Esta página categoriza seu conjunto de dados de imagens em **Total de imagens**, **Imagens rotuladas** e **Imagens não rotuladas**. Você também pode revisar o **guia de preparação do conjunto de dados** para consultar as melhores práticas na criação de um modelo de predição de imagem mais preciso.
A captura de tela a seguir mostra a página de edição do seu conjunto de dados de imagens.
![\[Captura de tela da página de gerenciamento do conjunto de dados de imagens no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/dataset-management-page.png)
Nesta página, você pode executar as seguintes ações:
## Visualizar as propriedades de cada imagem (rótulo, tamanho, dimensões)
Para visualizar uma imagem individual, você pode procurá-la pelo nome do arquivo na barra de pesquisa. Em seguida, escolha a imagem para abrir a visualização completa. Você pode visualizar as propriedades da imagem e reatribuir o rótulo da imagem. Escolha **Salvar** ao terminar de visualizar a imagem.
## Adicionar, renomear ou excluir rótulos no conjunto de dados
O Canvas lista os rótulos do conjunto de dados no painel de navegação à esquerda. Você pode adicionar novos rótulos ao conjunto de dados inserindo um rótulo no campo de texto **Adicionar rótulo**.
Para renomear ou excluir um rótulo do seu conjunto de dados, escolha o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) ao lado do rótulo e selecione **Renomear** ou **Excluir**. Se você renomear o rótulo, poderá inserir o novo nome do rótulo e escolher **Confirmar**. Se você excluir o rótulo, ele será removido de todas as imagens em seu conjunto de dados que tenham esse rótulo. Todas as imagens com esse rótulo se tornarão não rotuladas.
## Atribuir rótulos a imagens não rotuladas
Para visualizar as imagens não rotuladas em seu conjunto de dados, escolha **Não rotulada** no painel de navegação à esquerda. Selecione cada imagem, abra o rótulo intitulado **Não rotulada** e selecione um rótulo a ser atribuído à imagem na lista suspensa. Você também pode selecionar mais de uma imagem e realizar essa ação, e todas as imagens selecionadas receberão o rótulo que você escolheu.
## Reatribuir rótulos às imagens
Você pode reatribuir rótulos às imagens selecionando a imagem (ou várias imagens ao mesmo tempo) e abrindo a lista suspensa intitulada com o rótulo atual. Selecione o rótulo desejado e a imagem ou imagens serão atualizadas com o novo rótulo.
## Classificar suas imagens por rótulo
Você pode visualizar todas as imagens de um determinado rótulo escolhendo o rótulo no painel de navegação à esquerda.
## Adicionar ou excluir imagens do conjunto de dados
Você pode adicionar mais imagens ao seu conjunto de dados escolhendo **Adicionar imagens** no painel de navegação superior. Você será direcionado para o fluxo de trabalho para importar mais imagens. As imagens que você importar serão adicionadas ao seu conjunto de dados existente.
Você pode excluir imagens do seu conjunto de dados selecionando-as e escolhendo **Excluir** no painel de navegação superior.
**nota**
Depois de fazer qualquer alteração no seu conjunto de dados, escolha **Salvar conjunto de dados** para garantir que você não perca suas alterações.
# Exploração e análise de dados
**nota**
Você só pode usar visualizações e análises do SageMaker Canvas para modelos criados em conjuntos de dados tabulares. Modelos de predição de texto de várias categorias também são excluídos.
No Amazon SageMaker Canvas, você pode explorar as variáveis em seu conjunto de dados usando visualizações e análises e criar visualizações e análises no aplicativo. Você pode usar essas explorações para descobrir relações entre suas variáveis antes de criar seu modelo.
Para obter mais informações sobre técnicas de visualização no Canvas, consulte [Explorar dados usando técnicas de visualização](canvas-explore-data-visualization.md).
Para obter mais informações sobre analytics no Canvas, consulte [Explorar seus dados usando a analytics](canvas-explore-data-analytics.md).
# Explorar dados usando técnicas de visualização
**nota**
Você só pode usar visualizações do SageMaker Canvas para modelos criados em conjuntos de dados tabulares. Modelos de predição de texto de várias categorias também são excluídos.
Com o Amazon SageMaker Canvas, você pode explorar e visualizar seus dados para obter insights avançados sobre seus dados antes de criar seus modelos de ML. Você pode visualizar usando gráficos de dispersão, gráficos de barras e gráficos de caixa, que podem ajudá-lo a entender seus dados e descobrir as relações entre os atributos que podem afetar a precisão do modelo.
Na guia **Criar** do aplicativo SageMaker Canvas, escolha **Visualizador de dados** para começar a criar suas visualizações.
Você pode alterar o tamanho da amostra de visualização para ajustar o tamanho da amostra aleatória retirada do seu conjunto de dados. Um tamanho de amostra muito grande pode afetar o desempenho das suas visualizações de dados, por isso recomendamos que você escolha um tamanho de amostra adequado. Para alterar o tamanho da amostra, use o procedimento a seguir.
1. Escolha **Amostra de visualização**.
1. Use o controle deslizante para selecionar o tamanho de amostra desejado.
1. Escolha **Atualizar** para confirmar a alteração no tamanho da amostra.
**nota**
Certas técnicas de visualização exigem colunas de um tipo de dados específico. Por exemplo, você só pode usar colunas numéricas para os eixos x e y dos gráficos de dispersão.
## Gráfico de dispersão
Para criar um gráfico de dispersão com seu conjunto de dados, escolha **Gráfico de dispersão** no painel de **Visualização**. Em seguida, você pode escolher os atributos que deseja traçar nos eixos x e y na seção **Colunas**. Você pode arrastar e soltar as colunas nos eixos ou, depois que um eixo for solto, você pode escolher uma coluna na lista de colunas compatíveis.
Você pode usar **Colorir por** para colorir os pontos de dados no gráfico com um terceiro atributo. Você também pode usar **Agrupar por** para agrupar os dados em gráficos separados com base em um quarto atributo.
A imagem a seguir mostra um gráfico de dispersão que usa **Colorir por** e **Agrupar por**. Neste exemplo, cada ponto de dados é colorido pelo atributo `MaritalStatus`, e o agrupamento pelo atributo `Department` resulta em um gráfico de dispersão para os pontos de dados de cada departamento.
![\[Captura de tela de um gráfico de dispersão na visualização do Visualizador de dados da aplicação Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-eda-scatter-plot.png)
## Gráfico de barras
Para criar um gráfico de barras com seu conjunto de dados, escolha **Gráfico de barras** no painel de **Visualização**. Em seguida, você pode escolher os atributos que deseja traçar nos eixos x e y na seção **Colunas**. Você pode arrastar e soltar as colunas nos eixos ou, depois que um eixo for solto, você pode escolher uma coluna na lista de colunas compatíveis.
Você pode usar **Agrupar por** para agrupar o gráfico de barras por um terceiro atributo. Você pode usar **Empilhar por** para sombrear verticalmente cada barra com base nos valores exclusivos de um quarto atributo.
A imagem a seguir mostra um gráfico de barras que usa **Agrupar por** e **Empilhar por**. Neste exemplo, o gráfico de barras é agrupado pelo atributo `MaritalStatus` e empilhado pelo atributo `JobLevel`. Para cada `JobRole` no eixo x, há uma barra separada para as categorias exclusivas no atributo `MaritalStatus`, e cada barra é empilhada verticalmente pelo atributo `JobLevel`.
![\[Captura de tela de um gráfico de barras na visualização do Visualizador de dados da aplicação Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-eda-bar-chart.png)
## Gráfico de caixa
Para criar um gráfico de caixa com seu conjunto de dados, escolha **Gráfico de caixa** no painel de **Visualização**. Em seguida, você pode escolher os atributos que deseja traçar nos eixos x e y na seção **Colunas**. Você pode arrastar e soltar as colunas nos eixos ou, depois que um eixo for solto, você pode escolher uma coluna na lista de colunas compatíveis.
Você pode usar **Agrupar por** para agrupar os gráficos de caixa por um terceiro atributo.
A imagem a seguir mostra um gráfico de caixa que usa **Agrupar por**. Neste exemplo, os eixos x e y mostram `JobLevel` e`JobSatisfaction`, respectivamente, e os gráficos de caixa coloridos são agrupados pelo atributo `Department`.
![\[Captura de tela de um gráfico de caixa na visualização do Visualizador de dados da aplicação Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-eda-box-plot.png)
# Explorar seus dados usando a analytics
**nota**
Você só pode usar a análise do SageMaker Canvas para modelos criados em conjuntos de dados tabulares. Modelos de predição de texto de várias categorias também são excluídos.
Com a análise no Amazon SageMaker Canvas, você pode explorar seu conjunto de dados e obter informações sobre todas as suas variáveis antes de criar um modelo. Você pode determinar as relações entre os atributos em seu conjunto de dados usando matrizes de correlação. Você pode usar essa técnica para resumir seu conjunto de dados em uma matriz que mostra as correlações entre dois ou mais valores. Isso ajuda você a identificar e visualizar padrões em um determinado conjunto de dados para análise de dados avançada.
A matriz mostra a correlação entre cada atributo como positiva, negativa ou neutra. Você pode incluir atributos que tenham uma alta correlação entre si ao criar seu modelo. Atributos que têm pouca ou nenhuma correlação podem ser irrelevantes para seu modelo, e você pode descartar esses atributos ao criar seu modelo.
Para começar com matrizes de correlação no SageMaker Canvas, consulte a seção a seguir.
## Criar uma matriz de correlação
Você pode criar uma matriz de correlação ao se preparar para criar um modelo na guia **Construir** do aplicativo SageMaker Canvas.
Para obter instruções sobre como começar a criar um modelo, consulte [Criar um modelo](canvas-build-model-how-to.md).
Depois de começar a preparar um modelo no aplicativo SageMaker Canvas, faça o seguinte:
1. Na guia **Criar**, escolha **Visualizador de dados**.
1. Em seguida, **Análise**.
1. Escolha **Matriz de correlação**.
Você deve obter uma visualização semelhante à captura de tela a seguir, que mostra até 15 colunas do conjunto de dados organizadas em uma matriz de correlação.
![\[Captura de tela de uma matriz de correlação na aplicação Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-correlation-matrix-2.png)
Depois de criar a matriz de correlação, você poderá personalizá-la fazendo o seguinte:
### 1. Escolha suas colunas
Em **Colunas**, você pode selecionar as colunas que deseja incluir na matriz. Você pode comparar até 15 colunas do seu conjunto de dados.
**nota**
Você pode usar tipos de coluna numérica, categórica ou binária para uma matriz de correlação. A matriz de correlação não é compatível com tipos de coluna de dados de data e hora nem de texto.
Para adicionar ou remover colunas da matriz de correlação, marque e desmarque as colunas no painel **Colunas**. Você também pode arrastar e soltar colunas do painel diretamente na matriz. Se seu conjunto de dados tiver muitas colunas, você poderá pesquisar as colunas desejadas na barra de **Pesquisar colunas**.
Para filtrar as colunas por tipo de dados, escolha o menu suspenso e selecione **Tudo**, **Numérico** ou **Categórico**. Selecionar **Tudo** mostra todas as colunas do seu conjunto de dados, enquanto os filtros **Numérico** e **Categórico** mostram apenas as colunas numéricas ou categóricas no seu conjunto de dados. Observe que os tipos de colunas binárias estão incluídos nos filtros numéricos ou categóricos.
Para obter as melhores informações de dados, inclua sua coluna de destino na matriz de correlação. Quando você inclui sua coluna de destino na matriz de correlação, ela aparece como o último atributo na matriz com um símbolo de destino.
### 2. Escolha seu tipo de correlação
SageMaker O Canvas suporta diferentes *tipos de correlação* ou métodos para calcular a correlação entre suas colunas.
Para alterar o tipo de correlação, use o filtro **Colunas** mencionado na seção anterior para filtrar o tipo de coluna e as colunas desejados. Você deve ver o **Tipo de correlação** no painel lateral. Para comparações numéricas, você tem a opção de selecionar **Pearson** ou **Spearman**. Para comparações categóricas, o tipo de correlação é definido como **MI**. Para comparações categóricas e mistas, o tipo de correlação é definido como **Spearman e MI**.
Para matrizes que comparam somente colunas numéricas, o tipo de correlação é Pearson ou Spearman. A medida Pearson avalia a relação linear entre duas variáveis contínuas. A medida Spearman avalia a relação monotônica entre duas variáveis. Tanto para Pearson quanto para Spearman, a escala de correlação varia de -1 a 1, com cada extremidade da escala indicando uma correlação perfeita (uma relação direta de 1:1) e 0 indicando nenhuma correlação. Você pode selecionar Pearson se seus dados tiverem mais relações lineares (conforme revelado por uma [visualização do gráfico de dispersão](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html#canvas-explore-data-scatterplot)). Se seus dados não forem lineares ou contiverem uma mistura de relações lineares e monotônicas, você pode selecionar Spearman.
Para matrizes que comparam somente colunas categóricas, o tipo de correlação é definido como Classificação de Informações Mútuas (MI). O valor da MI é uma medida da dependência mútua entre duas variáveis aleatórias. A medida da MI está em uma escala de 0 a 1, com 0 indicando nenhuma correlação e 1 indicando uma correlação perfeita.
Para matrizes que comparam uma mistura de colunas numéricas e categóricas, o tipo de correlação **Spearman & MI** é uma combinação dos tipos de correlação Spearman e MI. Para correlações entre duas colunas numéricas, a matriz mostra o valor de Spearman. Para correlações entre uma coluna numérica e categórica ou duas colunas categóricas, a matriz mostra o valor MI.
Por fim, lembre-se de que a correlação não indica necessariamente causalidade. Um valor de correlação forte indica apenas que há um relacionamento entre duas variáveis, mas as variáveis podem não ter um relacionamento causal. Analise cuidadosamente suas colunas de interesse para evitar distorções ao compilar seu modelo.
### 3. Filtrar suas correlações
No painel lateral, você pode usar o atributo **Filtrar correlações** para filtrar o intervalo de valores de correlação que você deseja incluir na matriz. Por exemplo, se você quiser filtrar por atributos que têm apenas correlação positiva ou neutra, você pode configurar o **Min** como 0 e o **Max** como 1 (os valores válidos são -1 a 1).
Para comparações de Spearman e Pearson, você pode definir o intervalo de **correlações de filtro** em qualquer ponto entre de -1 a 1, com 0 significando que não há correlação. -1 e 1 significam que as variáveis têm uma forte correlação negativa ou positiva, respectivamente.
Para comparações de MI, o intervalo de correlação vai apenas de 0 a 1, com 0 significando que não há correlação e 1 significando que as variáveis têm uma forte correlação, positiva ou negativa.
Cada atributo tem uma correlação perfeita (1) consigo mesmo. Portanto, você pode notar que a linha superior da matriz de correlação é sempre 1. Se quiser excluir esses valores, você pode usar o filtro para configurar o **Max** menor que 1.
Tenha em mente que, se sua matriz comparar um mix de colunas numéricas e categóricas e usar o tipo de correlação **Spearman & MI**, as correlações *categóricas x numéricas* e *categóricas x categóricas* (que usam a medida MI) estão em uma escala de 0 a 1, enquanto as correlações *numéricas x numéricas* (que usam a medida de Spearman) estão em uma escala de -1 a 1. Revise cuidadosamente suas correlações de interesse para garantir que você conheça o tipo de correlação que está sendo usado para calcular cada valor.
### 4. Escolha o método de visualização
No painel lateral, você pode usar **Visualizar por** para alterar o método de visualização da matriz. Escolha o método de visualização **Numérico** para mostrar o valor da correlação (Pearson, Spearman ou MI), enquanto a escolha do método de visualização de **Tamanho** exibe a correlação com pontos de tamanhos e cores diferentes. Se você escolher **Tamanho**, poderá passar o mouse sobre um ponto específico na matriz para ver o valor real da correlação.
### 5. Escolha uma paleta de cores
No painel lateral, você pode usar a **Seleção de cores** para alterar a paleta de cores usada para a escala de correlação negativa para positiva na matriz. Selecione uma das paletas de cores alternativas para alterar as cores usadas na matriz.
# Preparar dados para a criação de modelos
**nota**
Agora você pode fazer a preparação avançada de dados no SageMaker Canvas com o Data Wrangler, que fornece uma interface de linguagem natural e mais de 300 transformações integradas. Para obter mais informações, consulte [preparação de dados](canvas-data-prep.md).
Seu conjunto de dados de machine learning pode exigir preparação de dados antes de você compilar seu modelo. Talvez você queira limpar seus dados devido a vários problemas, que podem incluir valores ausentes ou valores atípicos, e realizar engenharia de atributos para melhorar a precisão do seu modelo. O Amazon SageMaker Canvas fornece transformações de dados de ML com as quais você pode limpar, transformar e preparar seus dados para a criação de modelos. Você pode usar essas transformações em seus conjuntos de dados sem nenhum código. SageMaker O Canvas adiciona as transformações que você usa à **receita do modelo**, que é um registro da preparação de dados feita em seus dados antes de criar o modelo. Qualquer transformação de dados que você usa apenas modifica os dados de entrada para a compilação do modelo e não modifica sua fonte de dados original.
A pré-visualização do seu conjunto de dados mostra as primeiras 100 linhas do conjunto de dados. Se seu conjunto de dados tiver mais de 20.000 linhas, o Canvas pega uma amostra aleatória de 20.000 linhas e pré-visualiza as primeiras 100 linhas dessa amostra. Você só pode pesquisar e especificar valores das linhas pré-visualizadas e a funcionalidade de filtro somente filtra as linhas pré-visualizadas e não o conjunto de dados inteiro.
As seguintes transformações estão disponíveis no SageMaker Canvas para você preparar seus dados para a construção.
**nota**
Você só pode usar transformações avançadas para modelos criados em conjuntos de dados tabulares. Modelos de predição de texto de várias categorias também são excluídos.
## Destacar coluna
Você pode excluir uma coluna da construção do seu modelo soltando-a na guia **Construir** do aplicativo SageMaker Canvas. Desmarque a coluna que você deseja descartar e ela não será incluída ao compilar o modelo.
**nota**
Se você soltar colunas e, em seguida, fizer [previsões em lote](canvas-make-predictions.md) com seu modelo, o SageMaker Canvas adicionará as colunas descartadas de volta ao conjunto de dados de saída disponível para download. No entanto, o SageMaker Canvas não adiciona as colunas descartadas para modelos de séries temporais.
## Filtrar linhas
A funcionalidade de filtro filtra as linhas pré-visualizadas (as primeiras 100 linhas do seu conjunto de dados) de acordo com as condições que você especificar. A filtragem de linhas cria uma pré-visualização temporária dos dados e não afeta a compilação do modelo. Você pode filtrar para visualizar linhas que tenham valores ausentes, contenham valores atípicos ou atendam às condições personalizadas em uma coluna de sua escolha.
### Filtrar linhas por valores ausentes
Valores ausentes são uma ocorrência comum em conjuntos de dados de machine learning. Se você tiver linhas com valores nulos ou vazios em determinadas colunas, talvez queira filtrar e pré-visualizar essas linhas.
Para filtrar os valores ausentes dos dados pré-visualizados, faça o seguinte:
1. Na guia **Criar** do aplicativo SageMaker Canvas, escolha **Filtrar por linhas** (![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)).
1. Escolha a **Coluna** em que você deseja verificar se há valores ausentes.
1. Para a **Operação**, escolha **Está ausente**.
SageMaker O Canvas filtra as linhas que contêm valores ausentes na **coluna** que você selecionou e fornece uma visualização prévia das linhas filtradas.
![\[Captura de tela do filtro pela operação de valores ausentes no aplicativo SageMaker Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-filter-missing.png)
### Filtrar linhas por valores atípicos
Valores discrepantes, ou valores raros na distribuição e no alcance de seus dados, podem afetar negativamente a precisão do modelo e levar a tempos de construção mais longos. SageMaker O Canvas permite detectar e filtrar linhas que contêm valores discrepantes em colunas numéricas. Você pode escolher definir valores atípicos com desvios padrão ou com um intervalo personalizado.
Para filtrar valores atípicos em seus dados, faça o seguinte:
1. Na guia **Criar** do aplicativo SageMaker Canvas, escolha **Filtrar por linhas** (![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)).
1. Escolha a **Coluna** em que você deseja verificar se há valores atípicos.
1. Para a **Operação**, escolha **É valor atípico**.
1. Configure o **Intervalo de valores atípicos** como **Desvio padrão** ou **Intervalo personalizado**.
1. Se você escolher **Desvio padrão**, especifique um valor **SD** (desvio padrão) de 1–3. Se você escolher **Intervalo personalizado**, selecione **Percentil** ou **Número** e, em seguida, especifique os valores **Mínimo** e **Máximo**.
A opção **Desvio padrão** detecta e filtra valores atípicos em colunas numéricas usando a média e o desvio padrão. Você especifica o número de desvios padrão dos quais um valor deve variar da média para ser considerado um valor atípico. Por exemplo, se você especificar `3` para **SD**, um valor deve ter queda maior que 3 desvios padrão da média para ser considerado um valor atípico.
A opção de **Intervalo personalizado** detecta e filtra valores atípicos em colunas numéricas usando valores mínimos e máximos. Use esse método se você conhece seus valores limite que delimitam valores atípicos. Você pode definir o **Tipo** do intervalo como **Percentil** ou **Número**. Se você escolher **Percentil**, os valores **Mínimo** e **Máximo** deverão ser o mínimo e o máximo do intervalo de percentis (0-100) que você deseja permitir. Se você escolher **Número**, os valores **Mínimo** e **Máximo** devem ser os valores numéricos mínimo e máximo que você deseja filtrar nos dados.
![\[Captura de tela da operação de filtragem por valores discrepantes no aplicativo Canvas. SageMaker\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-filter-outlier.png)
### Filtrar linhas por valores personalizados
Você pode filtrar por linhas com valores que atendam às condições personalizadas. Por exemplo, talvez você queira pré-visualizar linhas com um valor de preço maior que 100 antes de removê-las. Com essa funcionalidade, você pode filtrar linhas que excedam o limite definido e pré-visualizar os dados filtrados.
Para usar a funcionalidade de filtro personalizado, faça o seguinte:
1. Na guia **Criar** do aplicativo SageMaker Canvas, escolha **Filtrar por linhas** (![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)).
1. Escolha a **Coluna** que você deseja verificar.
1. Selecione o tipo de **Operação** que você deseja usar e, em seguida, especifique os valores para a condição selecionada.
Para a **Operação**, escolha uma das opções a seguir. Observe que as operações disponíveis dependem do tipo de dados da coluna que você escolher. Por exemplo, não é possível criar uma operação `is greater than` para uma coluna contendo valores de texto.
| Operation | Tipos de dados compatíveis | Tipo de atributo compatível | Função |
| --- | --- | --- | --- |
| É igual a | Numérico, Texto | Binário, Categóricos | Filtra as linhas em que o valor na **Coluna** é igual aos valores que você especifica. |
| Não é igual a | Numérico, Texto | Binário, Categóricos | Filtra linhas em que o valor na **Coluna** não é igual aos valores que você especifica. |
| É menor que | Numérico | N/D | Filtra linhas em que o valor na **Coluna** é menor que o valor especificado. |
| É menor que ou igual a | Numérico | N/D | Filtra linhas em que o valor em **Coluna** é menor que ou igual ao valor especificado por você. |
| É maior que | Numérico | N/D | Filtra as linhas em que o valor na **Coluna** é maior do que o valor especificado por você. |
| É maior ou igual a | Numérico | N/D | Filtra linhas em que o valor na **Coluna** é maior que ou igual ao valor especificado por você. |
| Está entre | Numérico | N/D | Filtra linhas em que o valor na **Coluna** está entre ou é igual a dois valores que você especifica. |
| Contém | Texto | Categóricos | Filtra as linhas em que o valor na **Coluna** contém valores que você especifica. |
| Inicia com | Texto | Categóricos | Filtra as linhas em que o valor na **Coluna** começa com um valor especificado por você. |
| Termina com | Categóricos | Categóricos | Filtra as linhas em que o valor na **Coluna** termina com um valor especificado por você. |
Depois de definir a operação de filtro, o SageMaker Canvas atualiza a visualização do conjunto de dados para mostrar os dados filtrados.
![\[Captura de tela da operação de filtro por valores personalizados no aplicativo SageMaker Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-filter-custom.png)
## Funções e operadores
Você pode usar funções e operadores matemáticos para explorar e distribuir seus dados. Você pode usar as funções suportadas pelo SageMaker Canvas ou criar sua própria fórmula com seus dados existentes e criar uma nova coluna com o resultado da fórmula. Por exemplo, você pode adicionar os valores correspondentes de duas colunas e salvar o resultado em uma nova coluna.
Você pode agrupar instruções para criar funções mais complexas. Veja a seguir alguns exemplos de funções agrupadas que você pode usar.
+ Para calcular o BMI, você pode usar a função `weight / (height ^ 2)`.
+ Para classificar as idades, você pode usar a função `Case(age < 18, 'child', age < 65, 'adult', 'senior')`.
Você pode especificar funções no estágio de preparação de dados antes de compilar seu modelo. Para usar uma função, faça o seguinte:
+ Na guia **Criar** do aplicativo SageMaker Canvas, escolha **Exibir tudo** e, em seguida, escolha **Fórmula personalizada** para abrir o painel **Fórmula personalizada**.
+ No painel **Fórmula personalizada**, você pode escolher uma **Fórmula** para adicionar à sua **Fórmula Modelo**. Cada fórmula é aplicada a todos os valores nas colunas que você especificar. Para fórmulas que aceitam duas ou mais colunas como argumentos, use colunas com tipos de dados correspondentes; caso contrário, você receberá um erro ou valores `null` na nova coluna.
+ Depois de especificar uma **fórmula**, adicione um nome de coluna no campo **Nome da nova coluna**. SageMaker O Canvas usa esse nome para a nova coluna que é criada.
+ (Opcional) Escolha **Pré-Visualizar** para ver sua transformação.
+ Para adicionar a função à sua **fórmula modelo**, escolha **Adicionar**.
SageMaker O Canvas salva o resultado da sua função em uma nova coluna usando o nome que você especificou em **Nome da nova coluna**. Você pode visualizar ou remover funções do painel **Fórmula modelo**.
SageMaker O Canvas suporta os seguintes operadores para funções. Você pode usar o formato de texto ou o formato em linha para especificar sua função.
| Operador | Description | Tipos de dados compatíveis | Formato de texto | Formato em linha |
| --- | --- | --- | --- | --- |
| Adicionar | Retorna a soma dos valores | Numérico | Add(sales1, sales2) | sales1 \$1 sales2 |
| Subtrair | Retorna a diferença entre os valores | Numérico | Subtract(sales1, sales2) | sales1 ‐ sales2 |
| Multiplicar | Retorna o produto dos valores | Numérico | Multiply(sales1, sales2) | sales1 \$1 sales2 |
| Dividir | Retorna o quociente dos valores | Numérico | Divide(sales1, sales2) | sales1 / sales2 |
| Mod | Retorna o resultado do operador do módulo (o restante após a divisão dos dois valores) | Numérico | Mod(sales1, sales2) | sales1 % sales2 |
| Abs | Retorna o valor absoluto do valor. | Numérico | Abs(sales1) | N/D |
| Negar | Retorna o negativo do valor | Numérico | Negar (c1) | -c1 |
| Exp | Retorna e (número de Euler) elevado à potência do valor | Numérico | Exp(sales1) | N/D |
| Log | Retorna o logaritmo (base 10) do valor. | Numérico | Log(sales1) | N/D |
| Ln | Retorna o logaritmo natural (base e) do valor | Numérico | Ln(sales1) | N/D |
| Pow | Retorna o valor elevado a uma potência | Numérico | Pow(sales1, 2) | vendas1 ^ 2 |
| If (Se) | Retorna um rótulo verdadeiro ou falso com base em uma condição especificada por você | Booleano, numérico, texto | If(sales1>7000, 'truelabel, 'falselabel') | N/D |
| Ou | Retorna um valor booleano se um dos valores/condições especificados for verdadeiro ou não | Booleano | Ou (preço integral, desconto) | preço integral \$1\$1 desconto |
| E | Retorna um valor booleano se dois dos valores/condições especificados são verdadeiros ou não | Booleano | And(sales1,sales2) | sales1 && sales2 |
| Não | Retorna um valor booleano que é o oposto do valor/condições especificados | Booleano | Not(sales1) | \$1sales1 |
| Caso | Retorna um valor booleano com base em declarações condicionais (retorna c1 se cond1 for verdadeiro, retorna c2 se cond2 for verdadeiro, senão retorna c3) | Booleano, numérico, texto | Caso (cond1, c1, cond2, c2, c3) | N/D |
| Equal | Retorna um valor booleano de se dois valores forem iguais | Booleano, numérico, texto | N/D | c1 = c2c1 == c2 |
| Not equal | Retorna um valor booleano de se dois valores não forem iguais | Booleano, numérico, texto | N/D | c1\$1 = c2 |
| Menor que | Retorna um valor booleano se c1 é menor que c2 | Booleano, numérico, texto | N/D | c1 < c2 |
| Maior que | Retorna um valor booleano se c1 é maior que c2 | Booleano, numérico, texto | N/D | c1 > c2 |
| Menor ou igual a | Retorna um valor booleano se c1 é menor ou igual a c2 | Booleano, numérico, texto | N/D | c1 <= c2 |
| Maior ou igual a | Retorna um valor booleano se c1 é maior ou igual a c2 | Booleano, numérico, texto | N/D | c1 >= c2 |
SageMaker O Canvas também suporta operadores agregados, que podem realizar operações como calcular a soma de todos os valores ou encontrar o valor mínimo em uma coluna. Você pode usar operadores agregados em combinação com operadores padrão em suas funções. Por exemplo, para calcular a diferença de valores em relação à média, você pode usar a função`Abs(height – avg(height))`. SageMaker O Canvas suporta os seguintes operadores agregados.
| Operador de agregação | Description | Formato | Exemplo |
| --- | --- | --- | --- |
| soma | Retorna a soma de todos os valores em uma coluna | soma | soma (c1) |
| mínimo | Retorna o valor mínimo de uma coluna | min | minuto (c2) |
| máximo | Retorna o valor máximo de uma coluna | max | max(c3) |
| média | Retorna o valor médio de uma coluna | avg | avg(c4) |
| std | Retorna o desvio padrão da amostra de uma coluna | std | std(c1) |
| stddev | Retorna o desvio padrão dos valores em uma coluna | stddev | stddev(c1) |
| variância | Retorna a variância imparcial dos valores em uma coluna | variância | variância (c1) |
| approx\$1count\$1distinct | Retorna o número aproximado de itens distintos em uma coluna | approx\$1count\$1distinct | approx\$1count\$1distinct(c1) |
| contagem | Retorna o número de itens em uma coluna | contagem | count(c1) |
| first | Retorna o primeiro valor de uma coluna | first | first(c1) |
| last | Retorna o último valor de uma coluna | last | last(c1) |
| stddev\$1pop | Retorna o desvio padrão da população de uma coluna | stddev\$1pop | stddev\$1pop(c1) |
| variance\$1pop | Retorna a variância populacional dos valores em uma coluna | variance\$1pop | variance\$1pop(c1) |
## Gerenciar linhas
Com a transformação Gerenciar linhas, você pode realizar a classificação, a reprodução aleatória e remover linhas de dados do conjunto de dados.
### Classificar linhas
Para classificar as linhas em um conjunto de dados por uma determinada coluna, faça o seguinte:
1. Na guia **Criar** do aplicativo SageMaker Canvas, escolha **Gerenciar linhas** e, em seguida, escolha **Classificar linhas**.
1. Em **Classificar coluna**, escolha a coluna pela qual você deseja classificar.
1. Em **Ordem de classificação**, escolha **Crescente** ou **Decrescente**.
1. Escolha **Adicionar** para adicionar a transformação à **Receita do modelo**.
### Embaralhar linhas
Para embaralhar aleatoriamente as linhas em um conjunto de dados, faça o seguinte:
1. Na guia **Construir** do aplicativo SageMaker Canvas, escolha **Gerenciar linhas** e, em seguida, escolha **Misturar linhas**.
1. Escolha **Adicionar** para adicionar a transformação à **Receita do modelo**.
### Descartar linhas duplicadas
Para remover linhas duplicadas em um conjunto de dados, faça o seguinte:
1. Na guia **Criar** do aplicativo SageMaker Canvas, escolha **Gerenciar linhas** e, em seguida, escolha **Eliminar linhas duplicadas**.
1. Escolha **Adicionar** para adicionar a transformação à **Receita do modelo**.
### Remover linhas por valores ausentes
Valores ausentes são uma ocorrência comum em conjuntos de dados de machine learning e podem afetar a precisão do modelo. Use essa transformação se quiser eliminar linhas com valores nulos ou vazios em determinadas colunas.
Para remover linhas que contêm valores ausentes em uma coluna especificada, faça o seguinte:
1. Na guia **Construir** do aplicativo SageMaker Canvas, escolha **Gerenciar linhas**.
1. Escolha **Eliminar linhas por valores ausentes**.
1. Escolha **Adicionar** para adicionar a transformação à **Receita do modelo**.
SageMaker O Canvas remove as linhas que contêm valores ausentes na **coluna** que você selecionou. Depois de remover as linhas do conjunto de dados, o SageMaker Canvas adiciona a transformação na seção **Receita do modelo**. Se você remover a transformação da seção **Fórmula modelo**, as linhas retornarão ao seu conjunto de dados.
![\[Captura de tela da operação de remoção de linhas por valores ausentes no aplicativo SageMaker Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-remove-missing.png)
### Remover linhas por valores atípicos
Valores atípicos, ou valores raros na distribuição e no intervalo de seus dados podem afetar negativamente a precisão do modelo e levar a tempos de compilação mais longos. Com o SageMaker Canvas, você pode detectar e remover linhas que contêm valores discrepantes em colunas numéricas. Você pode escolher definir valores atípicos com desvios padrão ou com um intervalo personalizado.
Para remover valores atípicos de seus dados, faça o seguinte:
1. Na guia **Construir** do aplicativo SageMaker Canvas, escolha **Gerenciar linhas**.
1. Escolha **Eliminar linhas por valores atípicos**.
1. Escolha a **Coluna** em que você deseja verificar se há valores atípicos.
1. Defina o **operador** para **desvio padrão**, intervalo **numérico personalizado** ou **intervalo quantil personalizado**.
1. Se você escolher **Desvio padrão**, especifique um valor de **Desvios padrão** (desvio padrão) de 1 a 3. Se você escolher **Intervalo numérico personalizado** ou **Intervalo de quantil personalizado**, especifique os valores **mínimo** e **máximo** (números para intervalos numéricos ou percentis entre 0 e 100% para intervalos de quantil).
1. Escolha **Adicionar** para adicionar a transformação à **Receita do modelo**.
A opção **Desvio padrão** detecta e remove as discrepâncias em colunas numéricas usando a média e o desvio padrão. Você especifica o número de desvios padrão dos quais um valor deve variar da média para ser considerado um valor atípico. Por exemplo, se você especificar `3` para **Desvios padrão**, um valor deve estar em valor maior que 3 desvios padrão da média para ser considerado um valor atípico.
As opções **Intervalo numérico** e **Intervalo quantil personalizado** detectam e removem as discrepâncias em colunas numéricas usando valores mínimos e máximos. Use esse método se você conhece seus valores limite que delimitam valores atípicos. Se você escolher um intervalo numérico, os valores **Min** e **Max** devem ser os valores numéricos mínimo e máximo que você deseja permitir nos dados. Se você escolher um intervalo de quantil, os valores **Min** e **Max** devem ser o mínimo e o máximo do intervalo de percentis (0 a 100) que você deseja permitir.
Depois de remover as linhas do conjunto de dados, o SageMaker Canvas adiciona a transformação na seção **Receita do modelo**. Se você remover a transformação da seção **Fórmula modelo**, as linhas retornarão ao seu conjunto de dados.
![\[Captura de tela da operação de remoção de linhas por valores discrepantes no aplicativo Canvas. SageMaker\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-remove-outlier.png)
### Remover linhas por valores personalizados
Você pode remover linhas com valores que atendam às condições personalizadas. Por exemplo, talvez você queira excluir todas as linhas com um valor de preço maior que 100 ao compilar seu modelo. Com essa transformação, você pode criar uma regra que remove todas as linhas que excedem o limite que você definiu.
Para usar a transformação de remoção personalizada, faça o seguinte:
1. Na guia **Construir** do aplicativo SageMaker Canvas, escolha **Gerenciar linhas**.
1. Escolha **Descartar linhas por fórmula**.
1. Escolha a **Coluna** que você deseja verificar.
1. Selecione o tipo de **Operação** que você deseja usar e, em seguida, especifique os valores para a condição selecionada.
1. Escolha **Adicionar** para adicionar a transformação à **Receita do modelo**.
Para a **Operação**, escolha uma das opções a seguir. Observe que as operações disponíveis dependem do tipo de dados da coluna que você escolher. Por exemplo, não é possível criar uma operação `is greater than` para uma coluna contendo valores de texto.
| Operation | Tipos de dados compatíveis | Tipo de atributo compatível | Função |
| --- | --- | --- | --- |
| É igual a | Numérico, Texto | Binário, Categóricos | Remove as linhas em que o valor em **Coluna** é igual aos valores que você especifica. |
| Não é igual a | Numérico, Texto | Binário, Categóricos | Remove as linhas em que o valor em **Coluna** não é igual aos valores que você especifica. |
| É menor que | Numérico | N/D | Remove as linhas em que o valor em **Coluna** é menor que o valor especificado. |
| É menor que ou igual a | Numérico | N/D | Remove linhas em que o valor em **Coluna** é menor que ou igual ao valor especificado por você. |
| É maior que | Numérico | N/D | Remove as linhas em que o valor em **Coluna** é maior do que o valor especificado por você. |
| É maior ou igual a | Numérico | N/D | Remove linhas em que o valor em **Coluna** é maior que ou igual ao valor especificado por você. |
| Está entre | Numérico | N/D | Remove as linhas em que o valor na **Coluna** está entre ou é igual a dois valores que você especifica. |
| Contém | Texto | Categóricos | Remove as linhas nas quais o valor na **Coluna** contém os valores especificados por você. |
| Inicia com | Texto | Categóricos | Remove as linhas nas quais o valor na **Coluna** começa com um valor especificado por você. |
| Termina com | Texto | Categóricos | Remove as linhas nas quais o valor na **Coluna** termina com um valor especificado por você. |
Depois de remover as linhas do conjunto de dados, o SageMaker Canvas adiciona a transformação na seção **Receita do modelo**. Se você remover a transformação da seção **Fórmula modelo**, as linhas retornarão ao seu conjunto de dados.
![\[Captura de tela da operação de remoção de linhas por valores personalizados no aplicativo SageMaker Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-remove-custom.png)
## Renomear colunas
Com a transformação renomear colunas, você pode renomear colunas em seus dados. Quando você renomeia uma coluna, o SageMaker Canvas altera o nome da coluna na entrada do modelo.
Você pode renomear uma coluna em seu conjunto de dados clicando duas vezes no nome da coluna na guia **Construir** do aplicativo SageMaker Canvas e inserindo um novo nome. Pressionar a tecla **Enter** envia a alteração e clicar em qualquer lugar fora da entrada cancela a alteração. Você também pode renomear uma coluna clicando no ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), localizado no final da linha na visualização em lista ou no final da célula do cabeçalho na visualização em grade e escolhendo **Renomear**.
O nome da coluna não pode ter mais de 32 caracteres nem ter sublinhados duplos (\$1\$1) e você não pode renomear uma coluna com o mesmo nome de outra coluna. Você também não pode renomear uma coluna descartada.
A captura de tela a seguir mostra como renomear uma coluna clicando duas vezes no nome da coluna.
![\[Captura de tela da renomeação de uma coluna com o método de clique duplo no SageMaker aplicativo Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-rename-column.png)
Quando você renomeia uma coluna, o SageMaker Canvas adiciona a transformação na seção **Receita do modelo**. Se você remover a transformação da seção **Fórmula modelo**, a coluna retornará ao nome original.
## Gerenciar colunas
Com as transformações a seguir, você pode alterar o tipo de dados das colunas e substituir valores ausentes ou valores discrepantes por colunas específicas. SageMaker O Canvas usa os tipos ou valores de dados atualizados ao criar seu modelo, mas não altera seu conjunto de dados original. Observe que, se você descartou uma coluna do seu conjunto de dados usando a transformação [Destacar coluna](#canvas-prepare-data-drop), não poderá substituir valores nessa coluna.
### Substituir valores ausentes
Valores ausentes são uma ocorrência comum em conjuntos de dados de machine learning e podem afetar a precisão do modelo. Você pode optar por descartar linhas com valores ausentes, mas seu modelo será mais preciso se você escolher substituir os valores ausentes. Com essa transformação, você pode substituir valores ausentes nas colunas numéricas pela média ou mediana dos dados em uma coluna, ou também pode especificar um valor personalizado com o qual substituir valores ausentes. Para colunas não numéricas, você pode substituir valores ausentes com o modo (valor mais comum) da coluna ou por um valor personalizado.
Use essa transformação se quiser substituir os valores nulos ou vazios em determinadas colunas. Para substituir valores ausentes em uma coluna especificada, faça o seguinte:
1. Na guia **Criar** do aplicativo SageMaker Canvas, escolha **Gerenciar colunas**.
1. Escolha **Substituir valores ausentes**.
1. Escolha a **Coluna** na qual você deseja substituir valores ausentes.
1. Defina o **Modo** como **Manual** para substituir valores ausentes pelos valores especificados por você. Com a configuração **Automática (padrão)**, o SageMaker Canvas substitui os valores ausentes pelos valores imputados que melhor se ajustam aos seus dados. Esse método de atribuição é feito automaticamente para cada construção de modelo, a menos que você especifique o modo **Manual**.
1. Defina o valor **Substituir por valor**:
+ Se sua coluna for numérica, selecione **Média**, **Mediana** ou **Personalizada**. A **Média** substitui valores ausentes pela média da coluna e a **Mediana** substitui valores ausentes pela mediana da coluna. Se você escolher **Personalizado**, deverá especificar um valor personalizado que deseja usar para substituir valores ausentes.
+ Se sua coluna for numérica, selecione **Modo** ou **Personalizada**. O **Modo** substitui valores ausentes pelo modo ou pelo valor mais comum da coluna. Em **Personalizado**, especifique um valor personalizado que você deseja usar para substituir valores ausentes.
1. Escolha **Adicionar** para adicionar a transformação à **Receita do modelo**.
Depois de substituir os valores ausentes no conjunto de dados, o SageMaker Canvas adiciona a transformação na seção **Receita do modelo**. Se você remover a transformação da seção **Fórmula modelo**, os valores ausentes retornarão ao conjunto de dados.
![\[Captura de tela da operação de substituição de valores ausentes no aplicativo SageMaker Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-replace-missing.png)
### Substituir valores atípicos
Valores discrepantes, ou valores raros na distribuição e no alcance de seus dados, podem afetar negativamente a precisão do modelo e levar a tempos de construção mais longos. SageMaker O Canvas permite que você detecte valores discrepantes em colunas numéricas e substitua os valores discrepantes por valores que estejam dentro de um intervalo aceito em seus dados. Você pode optar por definir valores atípicos com desvios padrão ou com um intervalo personalizado e pode substituir os valores atípicos pelos valores mínimo e máximo no intervalo aceito.
Para substituir valores atípicos em seus dados, faça o seguinte:
1. Na guia **Criar** do aplicativo SageMaker Canvas, escolha **Gerenciar colunas**.
1. Escolha **Substituir valores atípicos**.
1. Escolha a **Coluna** na qual você deseja substituir valores atípicos.
1. Em **Definir valores atípicos**, escolha **Desvio padrão**, **Intervalo numérico personalizado** ou **Intervalo quantil personalizado.**
1. Se você escolher **Desvio padrão**, especifique um valor de **Desvios padrão** (desvio padrão) de 1 a 3. Se você escolher **Intervalo numérico personalizado** ou **Intervalo de quantil personalizado**, especifique os valores **mínimo** e **máximo** (números para intervalos numéricos ou percentis entre 0 e 100% para intervalos de quantil).
1. Em **Substituir por**, selecione **Intervalo mínimo/máximo**.
1. Escolha **Adicionar** para adicionar a transformação à **Receita do modelo**.
A opção **Desvio padrão** detecta valores atípicos em colunas numéricas usando a média e o desvio padrão. Você especifica o número de desvios padrão dos quais um valor deve variar da média para ser considerado um valor atípico. Por exemplo, se você especificar 3 para **desvios padrão**, um valor deve cair mais de 3 desvios padrão da média para ser considerado um valor atípico. SageMaker O Canvas substitui os valores atípicos pelo valor mínimo ou máximo no intervalo aceito. Por exemplo, se você configurar os desvios padrão para incluir apenas valores de 200 a 300, o SageMaker Canvas alterará um valor de 198 para 200 (o mínimo).
As opções de **Intervalo numérico personalizado** e **Intervalo quantil personalizado** detectam valores atípicos em colunas numéricas usando valores mínimos e máximos. Use esse método se você conhece seus valores limite que delimitam valores atípicos. Se você escolher um intervalo numérico, os valores **mínimo** e **máximo** devem ser os valores numéricos mínimo e máximo que você deseja permitir. SageMaker O Canvas substitui quaisquer valores que estejam fora do mínimo e máximo pelos valores mínimo e máximo. Por exemplo, se seu intervalo permitir apenas valores de 1 a 100, o SageMaker Canvas alterará um valor de 102 para 100 (o máximo). Se você escolher um intervalo de quantil, os valores **Min** e **Max** devem ser o mínimo e o máximo do intervalo de percentis (0 a 100) que você deseja permitir.
Depois de substituir os valores no conjunto de dados, o SageMaker Canvas adiciona a transformação na seção **Receita do modelo**. Se você remover a transformação da seção **Fórmula modelo**, os valores originais retornarão ao conjunto de dados.
![\[Captura de tela da operação de substituição de valores atípicos no aplicativo Canvas. SageMaker\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-replace-outlier.png)
### Alterar tipo de dados
SageMaker O Canvas fornece a capacidade de alterar o *tipo de dados* de suas colunas entre numérico, texto e data e hora, além de exibir o tipo de *recurso associado a esse tipo de* dados. Um *tipo de dados* refere-se ao formato dos dados e o modo como eles são armazenados, enquanto o *tipo de atributo* refere-se à característica dos dados usados em algoritmos de machine learning, como binário ou categórico. Isso dá a você a flexibilidade de alterar manualmente o tipo de dados em suas colunas com base nas funcionalidades. A capacidade de escolher o tipo de dados certo garante a integridade e a precisão dos dados antes da compilação de modelos. Esses tipos de dados são usados na compilação de modelos.
**nota**
Atualmente, a alteração do tipo de atributo (por exemplo, de binário para categórico) não é compatível.
A tabela a seguir lista todos os tipos de dados compatíveis com o Canvas.
| Tipo de dados | Description | Exemplo |
| --- | --- | --- |
| Numérico | Os dados numéricos representam valores numéricos | 1, 2, 31.1, 1.2. 1.3 |
| Texto | Os dados de texto representam sequências de caracteres, como nomes ou descrições | A, B, C, Dmaçã, banana, laranja1A\$1 , 2A\$1 , 3A\$1 |
| Datetime | Os dados de datetime representam datas e horas no formato da data e hora. | 2019-07-01 01:00:00, 2019-07-01 02:00:00, 2019-07-01 03:00:00 |
A tabela a seguir lista todos os tipos de atributo compatíveis com o Canvas.
| Tipo de atributo | Description | Exemplo |
| --- | --- | --- |
| Binário | Os atributos binários representam dois valores possíveis | 0, 1, 0, 1, 0 (2 valores distintos)verdadeiro, falso, verdadeiro (2 valores distintos) |
| Categóricos | Atributos categóricos representam categorias ou grupos distintos | maçã, banana, laranja, maçã (3 valores distintos)A, B, C, D, E, A, D, C (5 valores distintos) |
Para modificar o tipo de dados de uma coluna em um conjunto de dados, faça o seguinte:
1. Na guia **Criar** do aplicativo SageMaker Canvas, vá para a Visualização em **coluna ou Visualização** em **grade** e selecione a lista suspensa **Tipo de dados** para a coluna específica.
1. Na lista suspensa **Tipo de dados**, escolha o tipo de dados para o qual converter. A captura de tela a seguir mostra a lista suspensa.
![\[O menu suspenso de conversão de tipo de dados para uma coluna, mostrado na guia Compilar\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-prepare-data-change.png)
1. Em **Coluna**, escolha ou verifique a coluna para a qual você deseja alterar o tipo de dados.
1. Em **Novo tipo de dados**, escolha ou verifique o novo tipo de dados para o qual você deseja converter.
1. Se o **Novo tipo de dados** for `Datetime` ou `Numeric`, escolha uma das seguintes opções em **Identificar valores inválidos**:
1. **Substituir por valor vazio**: Valores inválidos são substituídos por um valor em branco
1. **Excluir linhas**: As linhas com um valor inválido são removidas do conjunto de dados
1. **Substituir por valor personalizado**: Valores inválidos são substituídos pelo **valor personalizado** que você especificar.
1. Escolha **Adicionar** para adicionar a transformação à **Receita do modelo**.
O tipo de dados da sua coluna agora deve estar atualizado.
## Preparar dados de séries temporais
Use as seguintes funcionalidades para preparar seus dados de séries temporais para criar modelos de previsão de séries temporais:
### Reamostragem de dados de séries temporais
Ao reamostrar dados de séries temporais, você pode estabelecer intervalos regulares para as observações em seu conjunto de dados de séries temporais. Isso é particularmente útil ao trabalhar com dados de séries temporais contendo observações com espaçamento irregular. Por exemplo, você pode usar a reamostragem para transformar um conjunto de dados com observações registradas em intervalos de uma hora, duas horas e três horas em um intervalo regular de uma hora entre as observações. Algoritmos de previsão exigem que as observações sejam feitas em intervalos regulares.
Para reamostrar dados de séries temporais, faça o seguinte:
1. Na guia **Construir** do aplicativo SageMaker Canvas, escolha **Série temporal**.
1. Escolha **Reamostrar**.
1. Para a **Coluna de data e hora**, escolha a coluna à qual você deseja aplicar a transformação. Você só pode selecionar colunas do tipo **Datetime**.
1. Na seção **Configurações de frequência**, escolha uma **Frequência** e uma **Taxa**. **Frequência** é a unidade de frequência e **Taxa** é o intervalo da unidade de frequência a ser aplicada à coluna. Por exemplo, escolher `Calendar Day` entre **Valor de frequência** e `1` para a **Taxa** define o intervalo a ser aumentado a cada 1 dia do calendário, como `2023-03-26 00:00:00`, `2023-03-27 00:00:00` e `2023-03-28 00:00:00`. Consulte a tabela após esse procedimento para obter uma lista completa dos **Valores de frequência**.
1. Escolha **Adicionar** para adicionar a transformação à **Fórmula do modelo**.
A tabela a seguir lista todos os tipos de **frequência** que você pode selecionar ao reamostrar dados de séries temporais.
| Frequência | Description | Valores de exemplo (supondo que a taxa seja 1) |
| --- | --- | --- |
| Dia útil | Reamostre as observações na coluna datetime para 5 dias úteis da semana (Segunda-feira, Terça-feira, Quarta-feira, Quinta-feira e Sexta-feira) | 2023-03-24 00:00:00 2023-03-27 00:00:00 2023-03-28 00:00:00 2023-03-29 00:00:00 2023-03-30 00:00:00 2023-03-31 00:00:00 2023-04-03 00:00:00 |
| Dia do calendário | Reamostre as observações na coluna datetime para todos os 7 dias da semana (Segunda-feira, Terça-feira, Quarta-feira, Quinta-feira, Sexta-feira, Sábado e Domingo) | 2023-03-26 00:00:00 2023-03-27 00:00:00 2023-03-28 00:00:00 2023-03-29 00:00:00 2023-03-30 00:00:00 2023-03-31 00:00:00 2023-04-01 00:00:00 |
| Semana | Observações de reamostragem na coluna de datetime para o primeiro dia de cada semana | 2023-03-13 00:00:00 2023-03-20 00:00:00 2023-03-27 00:00:00 2023-04-03 00:00:00 |
| Mês | Observações de reamostragem na coluna datetime para o primeiro dia de cada mês | 2023-03-01 00:00:00 2023-04-01 00:00:00 2023-05-01 00:00:00 2023-06-01 00:00:00 |
| Trimestre anual | Observações de reamostragem na coluna datetime para o primeiro dia de cada trimestre | 2023-03-31 00:00:00 2023-06-30 00:00:00 2023-09-30 00:00:00 2023-12-31 00:00:00 |
| Ano | Observações de reamostragem na coluna datetime para o último dia de cada ano | 2022-12-31 0:00:00 2023-12-31 00:00:00 2024-12-31 00:00:00 |
| Hora | Observações de reamostragem na coluna datetime para o cada hora de cada dia | 2023-03-24 00:00:00 2023-03-24 01:00:00 2023-03-24 02:00:00 2023-03-24 03:00:00 |
| Minuto | Observações de reamostragem na coluna datetime para o cada minuto de cada hora | 2023-03-24 00:00:00 2023-03-24 00:01:00 2023-03-24 00:02:00 2023-03-24 00:03:00 |
| Segunda | Observações de reamostragem na coluna datetime para o cada segundo de cada minuto | 2023-03-24 00:00:00 2023-03-24 00:00:01 2023-03-24 00:00:02 2023-03-24 00:00:03 |
Ao aplicar a transformação de reamostragem, você pode usar a opção **Avançada** para especificar como os valores resultantes do restante das colunas (exceto a coluna de data e hora) em seu conjunto de dados são modificados. Isso pode ser obtido especificando a metodologia de reamostragem, que pode ser a redução ou o aumento de amostras para colunas numéricas e não numéricas.
O *downsampling* (redução da taxa de amostragem) aumenta o intervalo entre as observações no conjunto de dados. Por exemplo, se você reduzir a resolução de observações feitas a cada hora ou a cada duas horas, cada observação em seu conjunto de dados será feita a cada duas horas. Os valores de outras colunas das observações por hora são agregados em um valor único usando um método de combinação. A tabela a seguir mostra um exemplo de redução da amostragem de dados de séries temporais usando a média como método de combinação. Os dados são reduzidos de duas em duas horas para cada hora.
A tabela a seguir mostra as leituras de temperatura por hora durante um dia antes da redução da amostragem.
| Timestamp | Temperatura (Celsius) |
| --- | --- |
| 12:00h | 30 |
| 1:00 am | 32 |
| 2:00 am | 35 |
| 3:00 am | 32 |
| 4:00 am | 30 |
A tabela a seguir mostra as leituras de temperatura após a redução da amostragem para cada duas horas.
| Timestamp | Temperatura (Celsius) |
| --- | --- |
| 12:00h | 30 |
| 2:00 am | 33.5 |
| 2:00 am | 35 |
| 4:00 am | 32,5 |
Para reduzir a resolução dos dados de série temporal, faça o seguinte:
1. Expanda a seção **Avançado** na transformação **Resample**.
1. Escolha **combinação não numérica** para especificar o método de combinação para colunas não numéricas. Consulte a tabela a seguir para obter uma lista completa de métodos de combinação.
1. Escolha **Combinação numérica** para especificar o método de combinação para colunas numéricas. Consulte a tabela a seguir para obter uma lista completa de métodos de combinação.
Se você não especificar métodos de combinação, os valores padrão são `Most Common` para **combinação não numérica** e `Mean` para **combinação numérica**. A tabela a seguir lista os métodos para combinação numérica e não numérica.
| Metodologia de redução da amostragem | Método de combinação | Description |
| --- | --- | --- |
| Combinação não numérica | Mais comum | Agregue valores na coluna não numérica pelo valor que ocorre com mais frequência |
| Combinação não numérica | Last | Valores agregados na coluna não numérica pelo último valor na coluna |
| Combinação não numérica | First | Valores agregados na coluna não numérica pelo último valor na coluna |
| Combinação numérica | Média | Agregue valores na coluna numérica tomando a média de todos os valores na coluna |
| Combinação numérica | Mediana | Agregue valores na coluna numérica tomando a média de todos os valores na coluna |
| Combinação numérica | Mín. | Agregue valores na coluna numérica tomando o valor mínimo de todos os valores na coluna |
| Combinação numérica | Máx | Agregue valores na coluna numérica tomando o valor máximo de todos os valores na coluna |
| Combinação numérica | Soma | Agregue valores na coluna numérica adicionando todos os valores na coluna |
| Combinação numérica | Quantil | Agregue valores na coluna numérica tomando o quantil de todos os valores na coluna |
O *upsampling* (aumento da taxa de amostragem) reduz o intervalo entre as observações no conjunto de dados. Por exemplo, se você aumentar as observações de amostragem feitas a cada duas horas em observações de hora em hora, os valores de outras colunas das observações de hora em hora são interpoladas a partir daquelas que foram feitas a cada duas horas.
Para aumentar a amostragem de dados de séries temporais, faça o seguinte:
1. Expanda a seção **Avançado** na transformação **Resample**.
1. Escolha **Estimativa não numérica** para especificar o método de estimativa para colunas não numéricas. Consulte a tabela após esse procedimento para obter uma lista completa dos métodos.
1. Escolha **Estimativa numérica** para especificar o método de estimativa para colunas numéricas. Consulte a tabela a seguir para obter uma lista completa de métodos.
1. (Opcional) Escolha **Coluna ID** para especificar a IDs coluna que contém as observações da série temporal. Especifique essa opção se seu conjunto de dados tiver duas séries temporais. Se você tiver uma coluna representando somente uma série temporal, não especifique um valor para esse campo. Por exemplo, você pode ter um conjunto de dados com as colunas `id` e `purchase`. A coluna `id` tem os seguintes valores: `[1, 2, 2, 1]`. A coluna `purchase` tem os seguintes valores `[$2, $3, $4, $1]`: Portanto, o conjunto de dados tem duas séries temporais: uma série temporal é: `1: [$2, $1]` e a outra série temporal é `2: [$3, $4]`.
Se você não especificar métodos de estimativa, os valores padrão são `Forward Fill` para **estimativa não numérica** e `Linear` para **estimativa numérica**. A tabela a seguir lista os métodos de estimativa.
| Metodologia de aumento da amostragem | Método de estimativa | Description |
| --- | --- | --- |
| Estimativa não numérica | Preenchimento de avanço | Interpole valores na coluna não numérica tomando os valores consecutivos depois de todos os valores na coluna |
| Estimativa não numérica | Preenchimento retroativo | Interpole valores na coluna não numérica tomando os valores consecutivos antes de todos os valores na coluna |
| Estimativa não numérica | Continuar ausente | Interpole valores na coluna não numérica mostrando valores vazios |
| Estimativa numérica | Linear, Tempo, Índice, Zero, S-Linear, Mais Próximo, Quadrático, Cúbico, Baricêntrico, Polinômio, Krogh, Polinômio por Partes, Spline, P-chip, Akima, Spline Cúbico, a partir de Derivadas | Interpole valores na coluna numérica usando o interpolador especificado. [Para obter informações sobre métodos de interpolação, consulte pandas. DataFrame.interpolate na documentação do](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html) pandas. |
A captura de tela a seguir mostra as configurações **avançadas** com os campos para redução e aumento da amostragem preenchidos.
![\[Captura de tela da aplicação Canvas, com o painel lateral de reamostragem de séries temporais mostrando as opções avançadas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-prepare-data-resampling.png)
### Use a extração datetime
Com a transformação de extração datetime, você pode extrair valores de uma coluna de datetime para uma coluna separada. Por exemplo, se você tiver uma coluna contendo datas de compras, você poderá extrair o valor do mês em uma coluna separada e usar a nova coluna ao compilar seu modelo. Você também pode extrair vários valores para separar colunas com uma única transformação.
Sua coluna datetime deve usar um formato da data e hora compatível. Para obter uma lista dos formatos que o SageMaker Canvas suporta, consulte[Previsões de séries temporais no Amazon Canvas SageMaker](canvas-time-series.md). Se seu conjunto de dados não usar um dos formatos compatíveis, atualize-o para usar um formato de carimbo de data/hora compatível e reimporte-o para o SageMaker Amazon Canvas antes de criar seu modelo.
Para realizar uma extração de datetime, faça o seguinte:
1. Na guia **Criar** do aplicativo SageMaker Canvas, na barra de transformações, escolha **Exibir tudo**.
1. Escolha **Extrair atributos**.
1. Escolha a **coluna de data e hora** da qual você deseja extrair valores.
1. Em **Valores**, selecione um ou mais valores para extrair da coluna. Os valores que você pode extrair de uma coluna de data e hora são **Ano**, **Mês**, **Dia**, **Hora**, **Semana do ano**, **Dia do ano** e **Trimestre.**
1. (Opcional) Escolha **Pré-Visualização** para pré-visualizar os resultados da transformação.
1. Escolha **Adicionar** para adicionar a transformação à **Receita do modelo**.
SageMaker O Canvas cria uma nova coluna no conjunto de dados para cada um dos valores que você extrai. Com exceção dos valores de **ano**, o SageMaker Canvas usa uma codificação baseada em 0 para os valores extraídos. Por exemplo, se você extrair o valor do **Mês**, Janeiro será extraído como 0 e Fevereiro será extraído como 1.
![\[Captura de tela da caixa de extração de data e hora no aplicativo SageMaker Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-datetime-extract.png)
Você pode ver a transformação listada na seção **Fórmula modelo**. Se você remover a transformação da seção **Fórmula modelo**, as novas colunas serão removidas do conjunto de dados.
# Avaliação de modelos
Depois de criar seu modelo, você pode avaliar o desempenho do modelo em seus dados antes de usá-lo para fazer predições. Você pode usar informações, como a precisão do modelo na predição de rótulos e métricas avançadas para determinar se seu modelo pode fazer predições suficientemente precisas para seus dados.
A seção [Avalie o desempenho do seu modelo.](canvas-scoring.md) descreve como visualizar e interpretar as informações na página **Analisar** do seu modelo. A seção [Use métricas avançadas em suas análises](canvas-advanced-metrics.md) contém informações mais detalhadas sobre **métricas avançadas** usadas para quantificar a precisão do seu modelo.
Você também pode visualizar informações mais avançadas para *candidatos de modelos* específicos, que são todas as iterações de modelo pelas quais o Canvas executa ao criar seu modelo. Com base nas métricas avançadas de um determinado candidato a modelo, você pode selecionar um candidato diferente para ser o padrão ou a versão usada para fazer predições e implantar. Para cada candidato a modelo, você pode visualizar as informações de **métricas avançadas** para ajudá-lo a decidir qual candidato a modelo você gostaria de selecionar como padrão. Você pode ver essas informações selecionando o candidato a modelo na tabela de **classificação de modelos**. Para obter mais informações, consulte [Veja os candidatos a modelo na tabela de classificação de modelos](canvas-evaluate-model-candidates.md).
O Canvas também oferece a opção de baixar um caderno Jupyter para que você possa visualizar e executar o código usado para criar seu modelo. Isso é útil se você quiser fazer ajustes no código ou saber mais sobre como seu modelo foi compilado. Para obter mais informações, consulte [Baixe um modelo de caderno](canvas-notebook.md).
# Avalie o desempenho do seu modelo.
O Amazon SageMaker Canvas fornece informações gerais e de pontuação para os diferentes tipos de modelo. A pontuação do seu modelo pode ajudar você a determinar a precisão do seu modelo ao fazer predições. Os insights adicionais de pontuação podem ajudá-lo a quantificar as diferenças entre os valores reais e previstos.
Para visualizar a análise do modelo, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Escolha o modelo que você construiu.
1. No painel de navegação, escolha a guia **Analisar**.
1. Na guia **Analisar**, você pode ver a visão geral e as informações de pontuação do seu modelo.
As seções a seguir descrevem como interpretar a pontuação para cada tipo de modelo.
## Avalie modelos de predição categórica
A guia **Visão geral** mostra o impacto da coluna para cada coluna. O **Impacto da coluna** é uma pontuação percentual que indica quanto peso uma coluna tem ao fazer predições em relação às outras colunas. Para um impacto de 25% na coluna, o Canvas avalia a predição como 25% para a coluna e 75% para as outras colunas.
A captura de tela a seguir mostra a pontuação de **Precisão** do modelo, junto com a **métrica de otimização**, que é a métrica que você escolhe otimizar ao compilar o modelo. Nesse caso, a **métrica de otimização** é **Precisão**. Você pode especificar uma métrica de otimização diferente se compilar uma nova versão do seu modelo.
![\[Captura de tela da pontuação de precisão e da métrica de otimização na guia Analisar no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-category.png)
A guia **Pontuação** de um modelo de predição categórica permite que você visualize todas as predições. Os segmentos de linha se estendem da esquerda da página, indicando todas as predições feitas pelo modelo. No meio da página, os segmentos de linha convergem em um segmento perpendicular para indicar a proporção de cada predição em uma única categoria. Da categoria prevista, os segmentos se ramificam para a categoria real. Você pode ter uma noção visual do quão precisas foram as predições seguindo cada segmento de linha da categoria prevista até a categoria real.
A imagem a seguir fornece um exemplo da seção de **pontuação** para um modelo de **predição de 3\$1 categorias**.
![\[Captura de tela da guia Pontuação para um modelo de predição de 3+ categorias.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-multiclass-classification.png)
Você também pode visualizar a guia **Métricas avançadas** para obter informações mais detalhadas sobre o desempenho do seu modelo, como métricas avançadas, gráficos de densidade de erros ou matrizes de confusão. Para saber mais sobre a guia **Métricas avançadas**, consulte [Use métricas avançadas em suas análises](canvas-advanced-metrics.md).
## Avalie modelos de predição numérica
A guia **Visão geral** mostra o impacto da coluna para cada coluna. O **Impacto da coluna** é uma pontuação percentual que indica quanto peso uma coluna tem ao fazer predições em relação às outras colunas. Para um impacto de 25% na coluna, o Canvas avalia a predição como 25% para a coluna e 75% para as outras colunas.
A captura de tela a seguir mostra a pontuação **RMSE** do modelo na guia **Visão geral** que, nesse caso, é a **métrica de otimização.** A **métrica de otimização** é a métrica que você escolhe otimizar ao compilar o modelo. Você pode especificar uma métrica de otimização diferente se compilar uma nova versão do seu modelo.
![\[Captura de tela da métrica de otimização RMSE na guia Analisar no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-numeric.png)
A guia **Pontuação** para predição numérica exibe uma linha para indicar o valor previsto do modelo em relação aos dados usados para fazer predições. Os valores da predição numérica geralmente são \$1/- o valor RMSE (erro quadrático médio). O valor que o modelo prevê geralmente está dentro do intervalo do RMSE. A largura da faixa roxa ao redor da linha indica o intervalo RMSE. Os valores previstos geralmente estão dentro do intervalo.
A imagem a seguir mostra a seção **Pontuação** para predição numérica.
![\[Captura de tela da guia Pontuação para um modelo de predição numérica.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-analyze-regression-scoring.png)
Você também pode visualizar a guia **Métricas avançadas** para obter informações mais detalhadas sobre o desempenho do seu modelo, como métricas avançadas, gráficos de densidade de erros ou matrizes de confusão. Para saber mais sobre a guia **Métricas avançadas**, consulte [Use métricas avançadas em suas análises](canvas-advanced-metrics.md).
## Avalie modelos de previsão de séries temporais
Na página **Analisar** dos modelos de previsão de séries temporais, você obtém uma visão geral das métricas do modelo. Você pode passar o mouse sobre cada métrica para obter mais informações ou pode ver [Use métricas avançadas em suas análises](canvas-advanced-metrics.md) para obter mais informações sobre cada métrica.
Na seção **Impacto da coluna**, você pode ver a pontuação de cada coluna. O **Impacto da coluna** é uma pontuação percentual que indica quanto peso uma coluna tem ao fazer predições em relação às outras colunas. Para um impacto de 25% na coluna, o Canvas avalia a predição como 25% para a coluna e 75% para as outras colunas.
A captura de tela a seguir mostra a pontuação da precisão do modelo, junto com a **métrica de otimização**, que é a métrica que você escolhe otimizar ao compilar o modelo. Nesse caso, a **métrica de otimização** é **RMSE**. Você pode especificar uma métrica de otimização diferente se compilar uma nova versão do seu modelo. Essas pontuações métricas são retiradas dos resultados do backtest, que estão disponíveis para download na guia **Artefatos**.
![\[Captura de tela da métrica de otimização RMSE na guia Analisar no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-time-series.png)
A guia **Artefatos** fornece acesso a vários recursos importantes que você pode usar para se aprofundar no desempenho do seu modelo e continuar a iterá-lo:
+ **Divisões aleatórias de treinamento e validação**: Esta seção inclui links para os artefatos gerados quando seu conjunto de dados foi dividido em conjuntos de treinamento e validação, permitindo que você revise a distribuição de dados e possíveis vieses.
+ **Resultados do backtest**: Esta seção inclui um link para os valores previstos para seu conjunto de dados de validação, que é usado para gerar métricas de precisão e dados de avaliação para seu modelo.
+ **Métricas de precisão**: Esta seção lista as métricas avançadas que avaliam o desempenho do seu modelo, como Erro quadrático médio (RMSE). Para obter mais informações sobre cada método, consulte [Métricas para previsões de séries temporais](canvas-metrics.md#canvas-time-series-forecast-metrics).
+ **Relatório de explicabilidade**: Esta seção fornece um link para baixar o relatório de explicabilidade, que oferece informações sobre o processo de tomada de decisão do modelo e a importância relativa das colunas de entrada. Esse relatório pode ajudá-lo a identificar possíveis áreas de melhoria.
Na página **Analisar**, você também pode escolher o botão **Download para baixar** diretamente os resultados do backtest, as métricas de precisão e os artefatos do relatório de explicabilidade para sua máquina local.
## Avalie os modelos de predição de imagem
A guia **Visão geral** mostra o **desempenho por rótulo**, que fornece uma pontuação geral de precisão para as imagens previstas para cada rótulo. Você pode escolher um rótulo para ver detalhes mais específicos, como as imagens **previstas corretamente** e as imagens **previstas incorretamente** para a etiqueta.
Você pode ativar o botão **Mapa de calor** para ver um mapa de calor para cada imagem. O mapa de calor mostra as áreas de interesse que têm maior impacto quando seu modelo está fazendo predições. Para obter mais informações sobre mapas de calor e como usá-los para melhorar seu modelo, escolha o ícone **Mais informações** ao lado do botão **Mapa de calor**.
A guia **Pontuação** para modelos de predição de imagem de rótulo único mostra uma comparação entre o que o modelo previu como rótulo e o que era o rótulo real. É possível selecionar até 10 rótulos por vez. Você pode alterar os rótulos na visualização escolhendo a lista suspensa de rótulos e selecionando ou desmarcando os rótulos.
Você também pode visualizar insights de rótulos individuais ou grupos de rótulos, como os três rótulos com maior ou menor precisão, escolhendo a lista suspensa **Exibir pontuações** na seção **Informações de precisão do modelo**.
A captura de tela a seguir mostra as informações de **pontuação** para um modelo de predição de imagem de rótulo único.
![\[Captura de tela dos rótulos reais versus previstos na página de pontuação para um modelo de predição de texto de várias categorias.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/analyze-image-scoring.png)
## Avalie modelos de predição de texto
A guia **Visão geral** mostra o **desempenho por rótulo**, que fornece uma pontuação geral de precisão para as passagens de texto previstas para cada rótulo. Você pode escolher um rótulo para ver detalhes mais específicos, como as imagens **previstas corretamente** e as imagens **previstas incorretamente** para o rótulo.
A guia **Pontuação** para modelos de predição de texto de múltiplas categorias mostra uma comparação entre o que o modelo previu como rótulo e o que era o rótulo real.
Na seção **Insights sobre a precisão do modelo**, você pode ver a **categoria mais frequente**, que informa a categoria que o modelo previu com mais frequência e a precisão dessas predições. Se seu modelo prevê um rótulo **Positivo** corretamente em 99% das vezes, você pode ter certeza de que seu modelo é bom em prever sentimentos positivos em texto.
A captura de tela a seguir mostra as informações de **pontuação** de um modelo de predição de texto com várias categorias.
![\[Captura de tela dos rótulos reais versus rótulos previstos na página de pontuação para um modelo de predição de imagem com um único rótulo.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/analyze-text-scoring.png)
# Use métricas avançadas em suas análises
A seção a seguir descreve como encontrar e interpretar as métricas avançadas do seu modelo no Amazon SageMaker Canvas.
**nota**
As métricas avançadas estão disponíveis atualmente somente para modelos de predição numérica e categórica.
Para encontrar a guia **Métricas avançadas**, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Escolha o modelo que você construiu.
1. No painel de navegação, escolha a guia **Analisar**.
1. Na guia **Analisar**, escolha a guia **Métricas avançadas**.
Na guia **Métricas avançadas**, você pode encontrar a guia **Desempenho**. A tela deve ser algo semelhante ao exibido a seguir.
![\[Captura de tela da guia de métricas avançadas para um modelo de predição categórica.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-analyze-performance.png)
Na parte superior, você pode ver uma visão geral das pontuações métricas, incluindo a **métrica de otimização**, que é a métrica que você selecionou (ou a que o Canvas selecionou por padrão) para otimizar ao criar o modelo.
As seções a seguir descrevem informações mais detalhadas da guia **Desempenho** nas **métricas avançadas**.
## desempenho
Na guia **Desempenho**, você verá uma **tabela de métricas**, junto com as visualizações que o Canvas cria com base no seu tipo de modelo. Para modelos de predição categórica, o Canvas fornece uma *matriz de confusão*, enquanto para modelos de predição numérica, o Canvas fornece gráficos de *resíduos* e *densidade de erros*.
Na **tabela Métricas**, você recebe uma lista completa das pontuações do seu modelo para cada métrica avançada, que é mais abrangente do que a visão geral das pontuações na parte superior da página. As métricas mostradas aqui dependem do seu tipo de modelo. Para obter uma referência para ajudá-lo a entender e interpretar cada métrica, consulte[Referência de métricas](canvas-metrics.md).
Para entender as visualizações que podem aparecer com base no seu tipo de modelo, consulte as seguintes opções:
+ **Matriz de confusão**: O Canvas usa matrizes de confusão para ajudar você a visualizar quando um modelo faz predições corretamente. Em uma matriz de confusão, seus resultados são organizados para comparar os valores previstos com os valores reais. O seguinte exemplo explica como uma matriz de confusão funciona para um modelo de predição de 2 categorias que prevê rótulos positivos e negativos:
+ Positivo verdadeiro: O modelo previu corretamente o positivo quando o rótulo verdadeiro era positivo.
+ Negativo verdadeiro: O modelo previu corretamente o negativo quando o rótulo verdadeiro era negativo.
+ Falso-positivo: O modelo previu incorretamente o positivo previsto quando o rótulo verdadeiro era negativo.
+ Falso-negativo: O modelo previu incorretamente o negativo previsto quando o rótulo verdadeiro era positivo.
+ **Curva de recuperação de precisão**: A curva de recuperação de precisão é uma visualização da pontuação de precisão do modelo traçada em relação à pontuação de recuperação do modelo. Geralmente, um modelo que pode fazer predições perfeitas teria pontuações de precisão e recall que são ambas 1. A curva de recuperação de precisão para um modelo decentemente preciso é bastante alta em precisão e recuperação.
+ **Resíduos**: Resíduos são a diferença entre os valores reais e os valores previstos pelo modelo. Um gráfico de resíduos representa graficamente os resíduos em relação aos valores correspondentes para visualizar sua distribuição e quaisquer padrões ou valores discrepantes. Uma distribuição normal de resíduos em torno de zero indica que o modelo é adequado para os dados. No entanto, se os resíduos estiverem significativamente distorcidos ou apresentarem valores discrepantes, isso pode indicar que o modelo está ajustando demais os dados ou que há outros problemas que precisam ser resolvidos.
+ **Densidade de erro**: Um gráfico de densidade de erro é uma representação da distribuição dos erros cometidos por um modelo. Ele mostra a densidade de probabilidade dos erros em cada ponto, ajudando você a identificar quaisquer áreas onde o modelo pode estar com ajuste excessivo ou cometendo erros sistemáticos.
# Veja os candidatos a modelo na tabela de classificação de modelos
Quando você faz uma [compilação padrão](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) para modelos de previsão tabulares e de séries temporais no Amazon SageMaker Canvas, a SageMaker IA treina vários *candidatos* a modelos (diferentes iterações do modelo) e, por padrão, seleciona aquele com o maior valor para a métrica de otimização. Para modelos tabulares, o Canvas cria até 250 candidatos a modelos diferentes usando vários algoritmos e configurações de hiperparâmetros. Para modelos de predição de séries temporais, o Canvas cria 7 modelos diferentes: um para cada um dos [algoritmos de predição compatíveis](canvas-advanced-settings.md#canvas-advanced-settings-time-series) e um modelo de conjunto que calcula a média das predições dos outros modelos para tentar otimizar a precisão.
O modelo candidato padrão é a única versão que você pode usar no Canvas para ações como fazer predições, registrar-se no registro do modelo ou implantar em um endpoint. No entanto, talvez você queira analisar todos os candidatos a modelo e selecionar um candidato diferente para ser o modelo padrão. Você pode ver todos os candidatos a modelo e mais detalhes sobre cada candidato na tabela de **classificação de modelos** no Canvas.
Para ver a tabela de **classificação do modelo**, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Escolha o modelo que você construiu.
1. No painel de navegação, escolha a guia **Analisar**.
1. Na guia **Analisar**, escolha Tabela de **classificação do modelo**.
A página da tabela de **classificação de modelos** é aberta, que, para modelos tabulares, se parece com a captura de tela a seguir.
![\[A tabela de classificação de modelos, que lista todos os candidatos a modelos que o Canvas treinou.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-model-leaderboard.png)
Para modelos de previsão de séries temporais, você vê 7 modelos, que incluem um para cada um dos algoritmos de previsão de séries temporais compatíveis com o Canvas e um modelo de conjunto. Para obter mais informações sobre os algoritmos, consulte [Configurações avançadas do modelo de previsão de séries temporais](canvas-advanced-settings.md#canvas-advanced-settings-time-series).
Na captura de tela anterior, você pode ver que o primeiro candidato a modelo listado está marcado como o **modelo padrão**. Esse é o modelo candidato com o qual você pode fazer predições ou implantar em endpoints.
Para visualizar informações métricas mais detalhadas sobre os candidatos ao modelo para compará-los, você pode escolher o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) e escolher **Exibir detalhes do modelo**.
**Importante**
O carregamento dos detalhes do modelo para candidatos a modelos não padrão pode levar alguns minutos (normalmente menos de 10 minutos), e as taxas de hospedagem de SageMaker IA se aplicam. Para obter mais informações, consulte [Preços de SageMaker IA](https://aws.amazon.com/sagemaker/pricing/).
O candidato ao modelo é aberto na guia **Analisar** e as métricas mostradas são específicas desse candidato ao modelo. Quando terminar de revisar as métricas do candidato a modelo, você pode voltar ou sair da visualização para retornar à tabela de **classificação do modelo**.
Se quiser definir o **modelo padrão** para um candidato diferente, você pode escolher o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) e selecionar **Alterar para modelo padrão**. A alteração do modelo padrão para um treinamento de modelo usando o modo HPO pode levar alguns minutos.
**nota**
Se seu modelo já estiver implantado em produção, [registrado no registro do modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-register-model.html) ou tiver [automações configuradas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-manage-automations.html), você deverá excluir a implantação, o registro do modelo ou as automações antes de alterar o modelo padrão.
# Referência de métricas
As seções a seguir descrevem as métricas que estão disponíveis no Amazon SageMaker Canvas para cada tipo de modelo.
## Métricas para predição numérica
A lista a seguir define as métricas para previsão numérica no SageMaker Canvas e fornece informações sobre como você pode usá-las.
+ InferenceLatency — O tempo aproximado entre fazer uma solicitação de previsão do modelo e recebê-la de um endpoint em tempo real no qual o modelo é implantado. Essa métrica é medida em segundos e está disponível somente para modelos criados com o modo **Ensembling**.
+ MAE: Erro absoluto médio. Em média, a predição para a coluna de destino é \$1/- \$1MAE\$1 a partir do valor real.
Mede a diferença entre os valores previstos e reais quando são calculadas a média de todos os valores. O MAE é comumente usado na predição numérica para entender o erro de predição dos modelos. Se as predições forem lineares, o MAE representa a distância média de uma linha prevista até o valor real. O MAE é definido como a soma dos erros absolutos dividida pelo número de observações. Os valores variam de 0 a infinito, com números menores indicando um melhor ajuste do modelo aos dados.
+ MAPE: Erro percentual absoluto médio. Em média, a predição para a coluna de destino é \$1/- \$1MAPE\$1 % a partir do valor real.
MAPE é a média das diferenças absolutas entre os valores reais e os valores previstos ou estimados, dividida pelos valores reais e expressos em porcentagem. Um MAPE menor indica melhor desempenho, pois significa que os valores previstos ou estimados estão mais próximos dos valores reais.
+ MSE: Erro quadrático médio, ou a média das diferenças quadradas entre os valores previstos e reais.
Os valores do MSE são sempre positivos. Quanto melhor for o modelo em prever os valores reais, menor será o valor do MSE.
+ R2: A porcentagem da diferença na coluna de destino que pode ser explicada pela coluna de entrada.
Quantifica o quanto um modelo pode explicar a variância de uma variável dependente. Os valores variam de um (1) a menos um (-1). Números maiores indicam uma fração mais alta da variabilidade explicada. Valores próximos a zero (0) indicam que muito pouco da variável dependente pode ser explicado pelo modelo. Valores negativos indicam um ajuste ruim, e que o modelo é superado por uma função constante (ou uma linha horizontal).
+ RMSE: Raiz do erro quadrático médio ou o desvio padrão dos erros.
Mede a raiz quadrada da diferença quadrada entre os valores previstos e reais e é calculada a média de todos os valores. É usado para entender o erro da predição de modelo e é uma métrica importante para indicar a presença de grandes erros e valores atípicos no modelo. Os valores variam de zero (0) ao infinito, com números menores indicando um melhor ajuste do modelo aos dados. O RMSE depende da escala e não deve ser usado para comparar conjuntos de dados de tamanhos diferentes.
## Métricas para predição categórica, de imagem e de texto
Esta seção define as métricas para previsão categórica no SageMaker Canvas e fornece informações sobre como você pode usá-las.
A seguir está uma lista das métricas disponíveis para a predição de 2 categorias.
+ Precisão: A porcentagem de predições corretas.
A proporção do número de predições corretas para o número total de predições feitas. A precisão mede o quão próximos estão os valores de classe previstos dos valores reais. Os valores das métricas de precisão variam entre zero (0) e um (1). Um valor de 1 indica precisão perfeita e 0 indica imprecisão perfeita.
+ AUC: Um valor entre 0 e 1 que indica o quão bem seu modelo é capaz de separar as categorias em seu conjunto de dados. Um valor de 1 indica que ele foi capaz de separar as categorias perfeitamente.
+ BalancedAccuracy — Mede a proporção entre previsões precisas e todas as previsões.
Essa razão é calculada após a normalização de positivos verdadeiros (TP) e negativos verdadeiros (TN) pelo número total de valores positivos (P) e negativos (N). É definido da seguinte forma: `0.5*((TP/P)+(TN/N))`, com valores que variam de 0 a 1. A métrica de precisão equilibrada fornece uma melhor medida de precisão quando o número de positivos ou negativos difere muito um do outro em um conjunto de dados não equilibrado, como quando apenas 1% dos e-mails são spam.
+ F1: uma medida equilibrada de precisão que leva em consideração o saldo para a conta.
Ele é a média harmônica das pontuações de precisão e recall, definida da seguinte forma: `F1 = 2 * (precision * recall) / (precision + recall)`. As pontuações F1 variam entre 0 e 1. Uma pontuação de 1 indica o melhor desempenho possível, e 0 indica o pior.
+ InferenceLatency — O tempo aproximado entre fazer uma solicitação de previsão do modelo e recebê-la de um endpoint em tempo real no qual o modelo é implantado. Essa métrica é medida em segundos e está disponível somente para modelos criados com o modo **Ensembling**.
+ LogLoss — A perda de log, também conhecida como perda de entropia cruzada, é uma métrica usada para avaliar a qualidade das saídas de probabilidade, em vez das saídas em si. A perda de log é uma métrica importante para indicar quando um modelo faz predições incorretas com altas probabilidades. Os valores variam de 0 a infinito. Um valor de 0 representa um modelo que prevê perfeitamente os dados.
+ Precisão: de todas as vezes em que \$1category x\$1 foi prevista, a predição estava correta em \$1precision\$1% das vezes.
A precisão mede o quão bem um algoritmo prevê os positivos verdadeiros (TP) de todos os positivos que ele identifica. Ela é definida da seguinte forma: `Precision = TP/(TP+FP)`, com valores que variam de zero (0) a um (1). A precisão é uma métrica importante quando o custo de um falso-positivo é alto. Por exemplo, o custo de um falso-positivo é muito alto se o sistema de segurança de um avião for considerado falsamente seguro para voar. Um falso-positivo (FP) reflete uma predição positiva que, na verdade, é negativa nos dados.
+ Recall: o modelo previu corretamente que \$1recall\$1% seria \$1category x\$1 quando \$1target\$1column\$1 era na verdade \$1category x\$1.
O recall mede o quão bem um algoritmo prevê corretamente todos os positivos verdadeiros (TP) em um conjunto de dados. Um positivo verdadeiro é uma predição positiva que também é um valor positivo real nos dados. O recall é definido da seguinte forma: `Recall = TP/(TP+FN)`, com valores que variam de 0 a 1. Pontuações mais altas refletem uma melhor capacidade do modelo de prever positivos verdadeiros (TP) nos dados. Frequentemente, é insuficiente medir somente o recall, porque prever cada saída como um positivo verdadeiro produz uma pontuação de recall perfeita.
A seguir está uma lista das métricas disponíveis para a predição de 3 categorias.
+ Precisão: A porcentagem de predições corretas.
A proporção do número de predições corretas para o número total de predições feitas. A precisão mede o quão próximos estão os valores de classe previstos dos valores reais. Os valores das métricas de precisão variam entre zero (0) e um (1). Um valor de 1 indica precisão perfeita e 0 indica imprecisão perfeita.
+ BalancedAccuracy — Mede a proporção entre previsões precisas e todas as previsões.
Essa razão é calculada após a normalização de positivos verdadeiros (TP) e negativos verdadeiros (TN) pelo número total de valores positivos (P) e negativos (N). É definido da seguinte forma: `0.5*((TP/P)+(TN/N))`, com valores que variam de 0 a 1. A métrica de precisão equilibrada fornece uma melhor medida de precisão quando o número de positivos ou negativos difere muito um do outro em um conjunto de dados não equilibrado, como quando apenas 1% dos e-mails são spam.
+ F1macro: A pontuação F1macro aplica a pontuação F1 calculando a precisão e o recall e, em seguida, tomando sua média harmônica para calcular a pontuação F1 para cada classe. Em seguida, o F1macro calcula a média das pontuações individuais para obter a pontuação F1macro. As pontuações do F1macro variam entre 0 e 1. Uma pontuação de 1 indica o melhor desempenho possível, e 0 indica o pior.
+ InferenceLatency — O tempo aproximado entre fazer uma solicitação de previsão do modelo e recebê-la de um endpoint em tempo real no qual o modelo é implantado. Essa métrica é medida em segundos e está disponível somente para modelos criados com o modo **Ensembling**.
+ LogLoss — A perda de log, também conhecida como perda de entropia cruzada, é uma métrica usada para avaliar a qualidade das saídas de probabilidade, em vez das saídas em si. A perda de log é uma métrica importante para indicar quando um modelo faz predições incorretas com altas probabilidades. Os valores variam de 0 a infinito. Um valor de 0 representa um modelo que prevê perfeitamente os dados.
+ PrecisionMacro — Mede a precisão calculando a precisão para cada classe e calculando a média das pontuações para obter precisão para várias classes. As pontuações variam de zero (0) a um (1). Pontuações mais altas refletem a capacidade do modelo de prever positivos verdadeiros (TP) a partir de todos os positivos identificados, com a média de várias classes.
+ RecallMacro — Mede a recordação calculando a recordação para cada classe e calculando a média das pontuações para obter a recordação de várias classes. As pontuações variam de 0 a 1. Pontuações mais altas refletem a capacidade do modelo de prever positivos verdadeiros (TP) em um conjunto de dados, enquanto um positivo verdadeiro reflete uma predição positiva que também é um valor positivo real nos dados. Frequentemente, é insuficiente medir apenas o recall, porque prever cada saída como um positivo verdadeiro produzirá uma pontuação de recall perfeita.
Observe que, para a predição de mais de 3 categorias, você também recebe as métricas médias de F1, Exatidão, Precisão e Recall. As pontuações dessas métricas são apenas a média das pontuações métricas de todas as categorias.
## Métricas para predição categórica, de imagem e de texto
A seguir está uma lista de métricas disponíveis para predição de imagem e predição de texto.
+ Precisão: A porcentagem de predições corretas.
A proporção do número de predições corretas para o número total de predições feitas. A precisão mede o quão próximos estão os valores de classe previstos dos valores reais. Os valores das métricas de precisão variam entre zero (0) e um (1). Um valor de 1 indica precisão perfeita e 0 indica imprecisão perfeita.
+ F1: uma medida equilibrada de precisão que leva em consideração o saldo para a conta.
Ele é a média harmônica das pontuações de precisão e recall, definida da seguinte forma: `F1 = 2 * (precision * recall) / (precision + recall)`. As pontuações F1 variam entre 0 e 1. Uma pontuação de 1 indica o melhor desempenho possível, e 0 indica o pior.
+ Precisão: de todas as vezes em que \$1category x\$1 foi prevista, a predição estava correta em \$1precision\$1% das vezes.
A precisão mede o quão bem um algoritmo prevê os positivos verdadeiros (TP) de todos os positivos que ele identifica. Ela é definida da seguinte forma: `Precision = TP/(TP+FP)`, com valores que variam de zero (0) a um (1). A precisão é uma métrica importante quando o custo de um falso-positivo é alto. Por exemplo, o custo de um falso-positivo é muito alto se o sistema de segurança de um avião for considerado falsamente seguro para voar. Um falso-positivo (FP) reflete uma predição positiva que, na verdade, é negativa nos dados.
+ Recall: o modelo previu corretamente que \$1recall\$1% seria \$1category x\$1 quando \$1target\$1column\$1 era na verdade \$1category x\$1.
O recall mede o quão bem um algoritmo prevê corretamente todos os positivos verdadeiros (TP) em um conjunto de dados. Um positivo verdadeiro é uma predição positiva que também é um valor positivo real nos dados. O recall é definido da seguinte forma: `Recall = TP/(TP+FN)`, com valores que variam de 0 a 1. Pontuações mais altas refletem uma melhor capacidade do modelo de prever positivos verdadeiros (TP) nos dados. Frequentemente, é insuficiente medir somente o recall, porque prever cada saída como um positivo verdadeiro produz uma pontuação de recall perfeita.
Observe que, para modelos de predição de imagem e texto em que você está prevendo 3 ou mais categorias, você também recebe as métricas *médias* de F1, Exatidão, Precisão e Recall. As pontuações dessas métricas são apenas a média das pontuações métricas de todas as categorias.
## Métricas para previsões de séries temporais
O seguinte define as métricas avançadas para previsões de séries temporais no Amazon SageMaker Canvas e fornece informações sobre como você pode usá-las.
+ Perda Quantílica Média Ponderada (wQl): Avalia a previsão calculando a média da precisão nos quantis P10, P50 e P90. Um valor mais baixo indica um modelo mais preciso.
+ Erro percentual absoluto ponderado (WAPE): A soma do erro absoluto normalizado pela soma da meta absoluta, que mede o desvio geral dos valores previstos dos valores observados. Um valor menor indica um modelo mais preciso, onde WAPE = 0 é um modelo sem erros.
+ Root Mean Square Error (RMSE): A raiz quadrada dos erros quadráticos médios. Um RMSE mais baixo indica um modelo mais preciso, onde RMSE = 0 é um modelo sem erros.
+ Erro percentual absoluto médio (MAPE): O erro percentual (diferença percentual do valor médio previsto versus o valor real) calculado em média em todos os pontos temporais. Um valor menor indica um modelo mais preciso, onde MAPE = 0 é um modelo sem erros.
+ Erro médio absoluto em escala (MASE): O erro médio absoluto da previsão normalizado pelo erro médio absoluto de um método simples de previsão de linha de base. Um valor mais baixo indica um modelo mais preciso, onde MASE < 1 é estimado como melhor do que a linha de base e MASE > 1 é estimado como pior do que a linha de base.
# Previsões com modelos personalizados
Use o modelo personalizado que você criou no SageMaker Canvas para fazer previsões para seus dados. As seções a seguir mostram como fazer predições para modelos de predição numéricos categóricos, modelos de predição de imagem e modelos de predição de texto.
Modelos personalizados de predição numérica e categórica,predição de imagem e predição de texto permitem fazer os seguintes tipos de predições para seus dados:
+ **Previsões únicas**: Uma **predição única** é quando você só precisa fazer uma predição. Por exemplo, você tem uma imagem ou passagem de texto que deseja classificar.
+ **Previsões em lote**: Uma **predição em lote** é quando você gostaria de fazer predições para um conjunto de dados inteiro. Você pode fazer predições em lote para conjuntos de dados com mais de 1 TB. Por exemplo, você pode ter um arquivo CSV de revisões de clientes para as quais gostaria de prever o sentimento do cliente ou ter arquivos de imagem que gostaria de classificar. Você deve fazer predições com um conjunto de dados que corresponda ao seu conjunto de dados de entrada. O Canvas oferece a capacidade de fazer predições manuais em lote ou você pode configurar predições automáticas em lote que são executadas sempre que você atualiza um conjunto de dados.
Para cada previsão ou conjunto de previsões, o SageMaker Canvas retorna o seguinte:
+ Os valores previstos
+ A probabilidade de o valor previsto estar correto
**Conceitos básicos**
Escolha um dos fluxos de trabalho a seguir para fazer predições com seu modelo personalizado:
+ [Previsões em lote no Canvas SageMaker](canvas-make-predictions-batch.md)
+ [Faça predições únicas](canvas-make-predictions-single.md)
Depois de gerar predições com seu modelo, você também pode fazer o seguinte:
+ [Atualize seu modelo adicionando versões.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-update-model.html) Se quiser tentar melhorar a precisão da predição do seu modelo, você pode criar novas versões do seu modelo. Você pode optar por clonar a configuração e o conjunto de dados originais da construção do modelo ou alterar sua configuração e selecionar um conjunto de dados diferente. Depois de adicionar uma nova versão, você pode revisar e comparar versões para escolher a melhor.
+ [Registre uma versão do modelo no registro de modelos de SageMaker IA](canvas-register-model.md). Você pode registrar versões do seu SageMaker modelo no Registro de Modelos, que é um recurso para rastrear e gerenciar o status das versões do modelo e dos pipelines de aprendizado de máquina. Um cientista de dados ou usuário MLOps da equipe com acesso ao Registro de SageMaker Modelos pode revisar as versões do seu modelo e aprová-las ou rejeitá-las antes de implantá-las na produção.
+ [Envie suas previsões em lote para o Quick.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-predictions.html) No Quick, você pode criar e publicar painéis com seus conjuntos de dados de previsão em lote. Isso pode ajudar você a analisar e compartilhar os resultados gerados pelo seu modelo personalizado.
# Faça predições únicas
**nota**
Esta seção descreve como obter predições únicas do seu modelo dentro da aplicação Canvas. Para obter informações sobre como fazer invocações em tempo real em um ambiente de produção implantando seu modelo em um endpoint, consulte [Implantar seus modelos em um endpoint](canvas-deploy-model.md).
Faça predições únicas se quiser obter uma predição para um único ponto de dados. Você pode usar esse atributo para obter predições em tempo real ou experimentar a alteração de valores individuais para ver como eles afetam o resultado da predição. Observe que predições únicas dependem de um endpoint de inferência assíncrona, que é desligado após ficar inativo (ou não receber nenhuma solicitação de predição) por duas horas.
Escolha um dos procedimentos a seguir com base no tipo de modelo.
## Faça predições únicas com modelos de predição numéricos e categóricos
Para fazer uma única predição para um modelo de predição numérica ou categórica, faça o seguinte:
1. No painel de navegação à esquerda da aplicação Canvas, selecione **Meus modelos**.
1. Na página **Meus modelos**, selecione o seu modelo.
1. Depois de abrir seu modelo, escolha a guia **Previsão**.
1. Na página **Executar predições**, escolha **Previsão única**.
1. Para cada campo **Coluna**, que representa as colunas dos seus dados de entrada, você pode alterar o **Valor**. Selecione a lista suspensa **Valor** que você deseja alterar. Para campos numéricos, você pode inserir um novo número. Para campos com rótulos, você pode selecionar um rótulo diferente.
1. Quando você estiver pronto para gerar a predição, no painel de **Previsão** à direita, escolha **Atualizar**.
No painel de **Previsão** à direita, você verá o resultado da predição. Você pode **copiar** o gráfico de resultados da predição ou também pode escolher fazer o **Download** do gráfico de resultados da predição como uma imagem ou baixar os valores e a predição como um arquivo CSV.
## Faça predições únicas com modelos de predição de séries temporais
Para fazer uma predição única para um modelo de predição de séries temporais, faça o seguinte:
1. No painel de navegação à esquerda da aplicação Canvas, selecione **Meus modelos**.
1. Na página **Meus modelos**, selecione o seu modelo.
1. Depois de abrir seu modelo, escolha a guia **Previsão**.
1. Escolha **Predição única**.
1. Em **Item**, selecione o item para o qual você deseja prever valores.
1. Se você usou um grupo por coluna para treinar o modelo, selecione o grupo por categoria para o item.
O resultado da predição é carregado no painel abaixo, mostrando um gráfico com a predição para cada quantil. Escolha **Visualização do esquema** para ver os valores numéricos previstos. Você também pode escolher **Baixar** para baixar os resultados da predição como uma imagem ou um arquivo CSV.
## Faça predições únicas com modelos de predição de imagem
Para fazer uma predição única para um modelo de predição de imagem de rótulo único, faça o seguinte:
1. No painel de navegação à esquerda da aplicação Canvas, selecione **Meus modelos**.
1. Na página **Meus modelos**, selecione o seu modelo.
1. Depois de abrir seu modelo, escolha a guia **Previsão**.
1. Na página **Executar predições**, escolha **Previsão única**.
1. Escolha **Importar imagem**.
1. Você será solicitado a carregar uma imagem. É possível carregar uma imagem do seu computador local ou de um bucket do Amazon S3.
1. Escolha **Importar** para importar sua imagem e gerar a predição.
No painel direito de **Resultados da predição**, o modelo lista os rótulos possíveis para a imagem junto com uma pontuação de **Confiança** para cada rótulo. Por exemplo, o modelo pode prever o rótulo **Sea** para uma imagem com uma pontuação de confiança de 96%. O modelo pode ter previsto a imagem como um **Glacier** com apenas uma pontuação de confiança de 4%. Portanto, você pode determinar se seu modelo está bastante confiante na previsão de imagens do mar.
## Faça predições únicas com modelos de predição de texto
Para fazer uma única predição para um modelo de predição de texto com várias categorias, faça o seguinte:
1. No painel de navegação à esquerda da aplicação Canvas, selecione **Meus modelos**.
1. Na página **Meus modelos**, selecione o seu modelo.
1. Depois de abrir seu modelo, escolha a guia **Previsão**.
1. Na página **Executar predições**, escolha **Previsão única**.
1. Em **Campo de texto**, insira o texto para o qual você gostaria de obter uma predição.
1. Escolha **Gerar resultados de predição** para obter sua predição.
No painel à direita **Resultados da predição**, você receberá uma análise do seu texto, além de uma pontuação de **Confiança** para cada resultado ou rótulo possível. Por exemplo, se você inseriu uma boa avaliação de um produto, você pode obter **Positiva** com uma pontuação de confiança de 85%, enquanto a pontuação de confiança de **Neutro** pode ser de 10% e a pontuação de confiança **Negativa** pode se de apenas 5%.
# Previsões em lote no Canvas SageMaker
Faça predições em lote quando tiver um conjunto de dados inteiro para o qual gostaria de gerar predições. O Amazon SageMaker Canvas oferece suporte a previsões em lote para conjuntos de dados de até 5 tamanhos PBs .
Há dois tipos de predições em lote que você pode fazer:
+ As predições [manuais](canvas-make-predictions-batch-manual.md) em lote ocorrem quando você tem um conjunto de dados para o qual deseja fazer predições únicas.
+ Previsões [automáticas](canvas-make-predictions-batch-auto.md) em lote ocorrem quando você define uma configuração que é executada sempre que um conjunto de dados específico é atualizado. Por exemplo, se você configurou atualizações semanais em um conjunto de dados de inventário do SageMaker Canvas, você pode configurar previsões automáticas em lote que são executadas sempre que você atualiza o conjunto de dados. Depois de configurar um fluxo de trabalho automatizado de predições em lote, consulte [Como gerenciar automações](canvas-manage-automations.md) para obter mais informações sobre como visualizar e editar os detalhes da sua configuração. Para obter mais informações sobre como configurar a atualizações automáticas de conjuntos de dados, consulte [Configurar atualizações automáticas para um conjunto de dados](canvas-update-dataset-auto.md).
**nota**
Os modelos de previsão de séries temporais não permitem previsões em lote automáticas.
Você só pode configurar predições automáticas em lote para conjuntos de dados importados por meio de upload local ou do Amazon S3. Além disso, as predições em lote automáticas só podem ser executadas enquanto você estiver logado na aplicação Canvas. Se você sair do Canvas, os trabalhos de predição automática em lote serão retomados quando você fizer login novamente.
Para começar, revise [Requisitos do conjunto de dados de predição em lote](canvas-make-predictions-batch-preqreqs.md) e escolha um dos seguintes fluxos de trabalho de predição de lotes manuais ou automáticos:
**Topics**
+ [Requisitos do conjunto de dados de predição em lote](canvas-make-predictions-batch-preqreqs.md)
+ [Faça predições em lote manuais](canvas-make-predictions-batch-manual.md)
+ [Faça predições automáticas em lote](canvas-make-predictions-batch-auto.md)
+ [Edite sua configuração automática de predição de lote](canvas-make-predictions-batch-auto-edit.md)
+ [Exclua sua configuração automática de predição em lote](canvas-make-predictions-batch-auto-delete.md)
+ [Visualize seus trabalhos de predição em lotes](canvas-make-predictions-batch-auto-view.md)
# Requisitos do conjunto de dados de predição em lote
Para predições em lote, certifique-se de que seus conjuntos de dados atendam aos requisitos descritos em [Criar um conjunto de dados](canvas-import-dataset.md). Se seu conjunto de dados for maior que 5 GB, o Canvas usa o Amazon EMR Sem Servidor para processar seus dados e dividi-los em lotes menores. Depois que seus dados forem divididos, o Canvas usa o SageMaker AI Batch Transform para fazer previsões. Você pode ver cobranças desses dois serviços depois de executar predições em lote. Para mais informações, consulte [Preços do Canvas](https://aws.amazon.com/sagemaker/canvas/pricing/).
Talvez você não consiga fazer predições em alguns conjuntos de dados porque eles têm *esquemas* incompatíveis. Um *esquema* é uma estrutura organizacional. Para um conjunto de dados tabulares, o esquema envolve os nomes das colunas e o tipo de dados dos dados nas colunas. Um esquema incompatível pode ocorrer por um dos seguintes motivos:
+ O conjunto de dados que você está usando para fazer predições tem menos colunas do que o conjunto de dados que você está usando para criar o modelo.
+ Os tipos de dados nas colunas que você usou para criar o conjunto de dados podem ser diferentes dos tipos de dados no conjunto de dados que você está usando para fazer predições.
+ O conjunto de dados que você está usando para fazer predições e o conjunto de dados que você usou para compilar o modelo têm nomes de colunas que não coincidem. Os nomes das colunas diferenciam letras maiúsculas. `Column1` não é o mesmo que `column1`.
Para garantir que você possa gerar predições em lote com êxito, combine o esquema do seu conjunto de dados de predições em lote com o conjunto de dados que você usou para treinar o modelo.
**nota**
Para predições em lote, se você eliminou alguma coluna ao ao compilar seu modelo, o Canvas adiciona as colunas eliminadas de volta aos resultados da predição. No entanto, o Canvas não adicionará as colunas eliminadas às suas predições em lote para modelos de séries temporais.
# Faça predições em lote manuais
Escolha um dos seguintes procedimentos para fazer predições manuais de lote com base no tipo do seu modelo:
## Faça predições manuais em lote com modelos de predição numéricos, categóricos e de séries temporais
Para fazer predições manuais em lote para tipos de modelos de predição numéricos, categóricos e de séries temporais, faça o seguinte:
1. No painel de navegação à esquerda da aplicação Canvas, selecione **Meus modelos**.
1. Na página **Meus modelos**, selecione o seu modelo.
1. Depois de abrir seu modelo, escolha a guia **Previsão**.
1. Na página **Executar predições**, escolha **Previsão em lote**.
1. Escolha **Selecionar conjunto de dados** para escolher um conjunto de dados para gerar predições.
1. Na lista de conjuntos de dados disponíveis, selecione seu conjunto de dados e escolha **Gerar predições** para obter suas predições.
Depois que a execução do trabalho de predição for concluída, haverá um conjunto de dados de saída listado na mesma página na seção **Previsões**. Esse conjunto de dados contém seus resultados e, se você selecionar o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), poderá escolher **Pré-visualizar** os dados de saída. Você pode ver os dados de entrada correspondentes à predição e a probabilidade de que a predição esteja correta. Em seguida, você pode escolher **Baixar predição** para baixar os resultados como um arquivo.
## Faça predições em lote manuais com modelos de predição de imagem
Para fazer predições em lote manuais para um modelo de predição de rotulagem de imagens únicas, faça o seguinte:
1. No painel de navegação à esquerda da aplicação Canvas, selecione **Meus modelos**.
1. Na página **Meus modelos**, selecione o seu modelo.
1. Depois de abrir seu modelo, escolha a guia **Previsão**.
1. Na página **Executar predições**, escolha **Previsão em lote**.
1. Escolha **Selecionar conjunto de dados** se você já tiver importado seu conjunto de dados. Caso contrário, escolha **Importar novo conjunto de dados** e, em seguida, você será direcionado pelo fluxo de trabalho de importação de dados.
1. Na lista de conjuntos de dados disponíveis, selecione seu conjunto de dados e escolha **Gerar predições** para obter suas predições.
Depois que a execução do trabalho de predição for concluída, na página **Executar predições**, você verá um conjunto de dados de saída listado em **Previsões**. Esse conjunto de dados contém seus resultados e, se você selecionar o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), poderá escolher **Exibir resultados de predição** para visualizar os dados de saída. Você pode ver as imagens junto com seus rótulos previstos e pontuações de confiança. Em seguida, você pode escolher **Baixar predição** para baixar os resultados como um arquivo CSV ou ZIP.
## Faça predições em lote manuais com modelos de predição de texto
Para fazer predições manuais em lote para um modelo de predição de texto em múltiplas categorias, faça o seguinte:
1. No painel de navegação à esquerda da aplicação Canvas, selecione **Meus modelos**.
1. Na página **Meus modelos**, selecione o seu modelo.
1. Depois de abrir seu modelo, escolha a guia **Previsão**.
1. Na página **Executar predições**, escolha **Previsão em lote**.
1. Escolha **Selecionar conjunto de dados** se você já tiver importado seu conjunto de dados. Caso contrário, escolha **Importar novo conjunto de dados** e, em seguida, você será direcionado pelo fluxo de trabalho de importação de dados. O conjunto de dados escolhido deve ter a mesma coluna de origem do conjunto de dados com o qual você criou o modelo.
1. Na lista de conjuntos de dados disponíveis, selecione seu conjunto de dados e escolha **Gerar predições** para obter suas predições.
Depois que a execução do trabalho de predição for concluída, na página **Executar predições**, você verá um conjunto de dados de saída listado em **Previsões**. Esse conjunto de dados contém seus resultados e, se você selecionar o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), poderá escolher **Pré-visualizar** para ver os dados de saída. Você pode ver as imagens junto com seus rótulos previstos e pontuações de confiança. Em seguida, você pode escolher **Baixar predição** para baixar os resultados.
# Faça predições automáticas em lote
**nota**
Os modelos de previsão de séries temporais não permitem previsões em lote automáticas.
Para configurar uma programação para predições automáticas em lote, faça o seguinte:
1. No painel de navegação à esquerda do Canvas, selecione **Meus modelos**.
1. Escolha seu modelo.
1. Escolha a guia **Prever**.
1. Escolha **Previsões em lote**.
1. Em **Gerar predições**, escolha **Automático**.
1. A caixa de diálogo **Automatizar predições em lote** é exibida. Escolha **Selecionar conjunto de dados** e escolha o conjunto de dados para o qual você deseja automatizar as predições. Observe que você só pode selecionar um conjunto de dados que foi importado por meio de upload local ou do Amazon S3.
1. Depois de selecionar um conjunto de dados, escolha **Configurar**.
O Canvas executa um trabalho de predições em lote para o conjunto de dados depois que você define a configuração. Então, toda vez que você [Atualizar um conjunto de dados](canvas-update-dataset.md), manual ou automaticamente, outro trabalho de predição em lote é executado.
Depois que a execução do trabalho de predição for concluída, na página **Executar predições**, você verá um conjunto de dados de saída listado em **Previsões**. Esse conjunto de dados contém seus resultados e, se você selecionar o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), poderá escolher **Pré-visualizar** os dados de saída. Você pode ver os dados de entrada correspondentes à predição e a probabilidade de que a predição esteja correta. Em seguida, você pode escolher **Download** para baixar os resultados.
As seções a seguir descrevem como visualizar, atualizar e excluir sua configuração automática de predição em lote por meio da página **Conjuntos de dados** na aplicação Canvas. Você só pode configurar o máximo de 20 configurações automáticas no Canvas. Para obter mais informações sobre como visualizar suas predições em lote automatizadas, histórico de trabalhos ou fazer alterações em sua configuração automática por meio da página **Automações**, consulte [Como gerenciar automações](canvas-manage-automations.md).
# Edite sua configuração automática de predição de lote
É possível fazer alterações na configuração de atualização automática de um conjunto de dados, como alterar a frequência das atualizações. Você também pode desativar sua configuração de atualização automática para pausar as atualizações do seu conjunto de dados.
Ao editar uma configuração de predição em lote, você pode alterar o conjunto de dados de destino, mas não a frequência (já que as predições em lote automáticas ocorrem sempre que o conjunto de dados é atualizado).
Para editar sua configuração atualizada automática, faça o seguinte:
1. Vá até a guia **Previsão** do seu modelo.
1. Em **Previsões**, selecione a guia **Configuração**.
1. Encontre sua configuração e escolha o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Na lista suspensa, escolha **Atualizar configuração**.
1. A caixa de diálogo **Automatizar predição em lote** é aberta. Você pode selecionar outro conjunto de dados e escolher **Configurar** para salvar suas alterações.
Sua configuração automática de predições em lote agora está atualizada.
Para pausar suas predições em lote automáticas, desative sua configuração automática fazendo o seguinte:
1. Vá até a guia **Previsão** do seu modelo.
1. Em **Previsões**, selecione a guia **Configuração**.
1. Encontre sua configuração na lista e desative o botão de **atualização automática**.
As predições em lote automáticas agora estão pausadas. Você pode alternar essa opção novamente a qualquer momento para retomar a atualização agendada.
# Exclua sua configuração automática de predição em lote
Para saber como excluir sua configuração automática de predição em lote, consulte [Excluir uma configuração automática](canvas-manage-automations-delete.md).
Você também pode excluir sua configuração da seguinte maneira:
1. Vá até a guia **Previsão** do seu modelo.
1. Em **Previsões**, selecione a guia **Configuração**.
1. Encontre sua configuração na lista e escolha o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Na lista suspensa, escolha **Excluir configurações**.
Sua configuração agora deve ser excluída.
# Visualize seus trabalhos de predição em lotes
Para visualizar seu histórico de trabalhos para suas predições em lote automáticas, acesse a guia **Previsão** do seu modelo.
Cada tarefa automática de predição em lote aparece na guia **Previsões** do seu modelo. Em **Previsões**, você pode ver a guia **Todos os trabalhos** e as guias de **Configuração**:
+ **Todos os trabalhos**: Nessa guia, você pode ver todas as tarefas de predição em lote desse modelo. Você pode filtrar os trabalhos por nome de configuração: Para cada trabalho, você verá o seguinte:
+ **Status**: O status atual do seu trabalho de predição em lote. Se o status for **Falha** ou **Falha parcial**, você poderá passar o mouse sobre o status para ver uma mensagem de erro mais detalhada para ajudá-lo a solucionar o problema.
+ **Conjunto de dados de entrada**: O nome do seu conjunto de dados de entrada do Canvas, incluindo a versão do conjunto de dados.
+ **Tipo de predição**: se o trabalho de predição foi automático ou manual.
+ **Linhas**: O número de linhas previsto.
+ **Nome da configuração**: O nome da configuração do trabalho de predição em lote.
+ **QuickSight**— Descreve se você enviou as previsões em lote para o Quick.
+ **Criado**: O horário de criação do trabalho de predição em lote.
Se você escolher o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), poderá escolher **Exibir detalhes**, **Visualizar previsão**, **Baixar previsão** ou **Enviar para o Quick**. Se você escolher **Exibir detalhes**, uma página será aberta mostrando os detalhes completos do trabalho de previsão em lote, incluindo o status, as configurações de dados de entrada e saída, informações sobre as instâncias usadas para concluir o trabalho e o acesso aos CloudWatch registros da Amazon. A tela deve ser algo semelhante ao exibido a seguir.
![\[Página de detalhes do trabalho de predição em lote mostrando todos os detalhes adicionais sobre um trabalho.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-view-batch-prediction-job-details.png)
+ **Configuração**: Nessa guia, você pode ver todas as configurações automáticas de predição em lotes que você criou para esse modelo. Para cada configuração, você pode ver campos como o registro de data e hora de quando ela foi **Criada**, o **conjunto de dados de entrada** que ele rastreia para atualizações e o **Próximo trabalho agendado**, que é o horário em que o próximo trabalho de predição automática está agendado para começar. Se você escolher o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), poderá escolher **Visualizar todos os trabalhos** para ver o histórico de trabalhos e os trabalhos em andamento para a configuração.
# Envie previsões para o Quick
**nota**
Você pode enviar previsões em lote para o Quick para modelos de previsão numérica e categórica e de previsão de séries temporais. Os modelos de predição de imagem com rótulo único e predição de texto com várias categorias são excluídos.
Depois de gerar previsões em lote com modelos tabulares personalizados no SageMaker Canvas, você pode enviar essas previsões como arquivos CSV para o Quick, que é um serviço de business intelligence (BI) para criar e publicar painéis preditivos.
Por exemplo, se você criou um modelo de previsão de 2 categorias para determinar se um cliente abandonará, poderá criar um painel visual e preditivo no Quick para mostrar a porcentagem de clientes que se espera que abandonem. Para saber mais sobre o Quick, consulte o [Guia rápido do usuário](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html).
As seções a seguir mostram como enviar suas previsões em lote para análise no Quick.
## Antes de começar
Seu usuário deve ter as permissões necessárias AWS Identity and Access Management (IAM) para enviar suas previsões para o Quick. Seu administrador pode configurar as permissões do IAM para seu usuário. Para obter mais informações, consulte [Conceda a seus usuários permissões para enviar previsões para o Quick](canvas-quicksight-permissions.md).
Sua conta do Quick deve conter o `default` namespace, que é configurado quando você cria sua conta do Quick pela primeira vez. Entre em contato com seu administrador para ajudá-lo a obter acesso ao Quick. Para obter mais informações, consulte [Configurando o Quick](https://docs.aws.amazon.com/quicksight/latest/user/setting-up.html) no *Guia rápido do usuário*.
Sua conta Quick deve ser criada na mesma região do seu aplicativo Canvas. Se a região inicial da sua conta Quick for diferente da região do seu aplicativo Canvas, você deve [fechar](https://docs.aws.amazon.com/quicksight/latest/user/closing-account.html) e recriar sua conta Quick ou [configurar um aplicativo Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites) na mesma região da sua conta Quick. Você pode verificar sua região inicial rápida fazendo o seguinte (supondo que você já tenha uma conta rápida):
1. Abra seu [console Quick](https://quicksight.aws.amazon.com/).
1. Quando a página carrega, sua região inicial rápida é anexada ao URL no seguinte formato:`https://.quicksight.aws.amazon.com/`.
Você deve saber os nomes de usuário dos usuários do Quick para os quais deseja enviar suas previsões. Você pode enviar predições para si mesmo ou para outros usuários que tenham as permissões corretas. Todos os usuários para os quais você envia previsões devem estar no `default` [namespace](https://docs.aws.amazon.com/quicksight/latest/user/namespaces.html) da sua conta do Quick e ter a `Admin` função `Author` or no Quick.
Além disso, o Quick deve ter acesso ao bucket Amazon S3 padrão de SageMaker IA para seu domínio, que é nomeado com o seguinte formato:. `sagemaker-{REGION}-{ACCOUNT_ID}` A região deve ser a mesma que a região inicial da sua conta Quick e a região do seu aplicativo Canvas. *Para saber como fornecer acesso rápido às previsões de lote armazenadas em seu bucket do Amazon S3, consulte o [tópico Não consigo me conectar ao Amazon S3](https://docs.aws.amazon.com/quicksight/latest/user/troubleshoot-connect-S3.html) no Guia rápido do usuário.*
## Formatos de dados compatíveis
Antes de enviar suas previsões, verifique se o formato de dados de suas previsões em lote é compatível com o Quick.
+ Para saber mais sobre os formatos de dados aceitos para dados de séries temporais, consulte [Formatos de data compatíveis](https://docs.aws.amazon.com/quicksight/latest/user/supported-date-formats.html) no Guia *rápido do usuário*.
+ Para saber mais sobre valores de dados que podem impedir o envio para o Quick, consulte [Valores não suportados nos dados no](https://docs.aws.amazon.com/quicksight/latest/user/unsupported-data-values.html) *Guia Rápido do Usuário*.
Observe também que o Quick usa o caractere `"` como um qualificador de texto, portanto, se seus dados do Canvas contiverem algum `"` caractere, certifique-se de fechar todas as aspas correspondentes. Quaisquer cotações incompatíveis podem causar problemas ao enviar seu conjunto de dados para o Quick.
## Envie suas previsões em lote para o Quick
Use o procedimento a seguir para enviar suas previsões para o Quick:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Na página **Meus modelos**, selecione o seu modelo.
1. Escolha a guia **Prever**.
1. Em **Previsões**, selecione o conjunto de dados (ou conjuntos de dados) das predições em lote que você gostaria de compartilhar. Você pode compartilhar até 5 conjuntos de dados de predições em lote por vez.
1. Depois de selecionar seu conjunto de dados, escolha **Enviar para o Quick**.
**nota**
O botão **Enviar para o Quick** não é ativado a menos que você selecione um ou mais conjuntos de dados.
Como alternativa, você pode visualizar suas predições escolhendo o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) e, depois, **Exibir os resultados das predições**. Na visualização prévia do conjunto de dados, você pode escolher **Enviar para o Quick**. A captura de tela a seguir mostra o botão **Enviar para o Quick** em uma visualização prévia do conjunto de dados.
![\[Captura de tela de uma visualização prévia do conjunto de dados com o botão Enviar para o Quick na parte inferior.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/send-to-quicksight-preview.png)
1. Na caixa de diálogo **Enviar para Rápido**, faça o seguinte:
1. Para **QuickSight usuários**, insira o nome dos usuários do Quick para os quais você deseja enviar suas previsões. Se você quiser enviá-los para si mesmo, digite seu próprio nome de usuário. Você só pode enviar previsões para usuários no `default` namespace da conta Quick, e o usuário deve ter a `Admin` função `Author` or no Quick.
1. Selecione **Enviar**.
A captura de tela a seguir mostra a caixa de diálogo **Enviar para o Quick**:
![\[A caixa de diálogo Enviar para o Quick.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/send-to-quicksight.png)
Depois de enviar suas previsões em lote, o **QuickSight**campo dos conjuntos de dados que você enviou é exibido como. `Sent` Na caixa de confirmação que confirma que suas previsões foram enviadas, você pode escolher **Abrir Rápido para abrir** seu aplicativo Rápido. Se você terminou de usar o Canvas, você deve fazer [logout](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-log-out.html) da aplicação Canvas.
Os usuários do Quick para os quais você enviou conjuntos de dados podem abrir o aplicativo Quick e visualizar os conjuntos de dados do Canvas que foram compartilhados com eles. Em seguida, eles podem criar painéis preditivos com os dados. Para obter mais informações, consulte [Introdução à análise rápida de dados](https://docs.aws.amazon.com/quicksight/latest/user/getting-started.html) no *Guia rápido do usuário*.
Por padrão, todos os usuários para os quais você envia previsões têm permissões de proprietário para o conjunto de dados no Quick. Os proprietários podem criar análises, atualizar, editar, excluir e compartilhar novamente conjuntos de dados. As alterações que os proprietários fazem em um conjunto de dados alteram o conjunto de dados de todos os usuários com acesso. Para alterar as permissões, acesse o conjunto de dados no Quick e gerencie suas permissões. Para obter mais informações, consulte [Visualização e edição das permissões dos usuários com os quais um conjunto de dados é compartilhado](https://docs.aws.amazon.com/quicksight/latest/user/sharing-data-sets.html#view-users-data-set) no *Guia rápido do usuário*.
# Baixe um modelo de caderno
**nota**
O atributo de caderno de modelos está disponível para modelos tabulares de construção rápida e padrão, além de modelos de base ajustados. Os cadernos de modelo não são compatíveis com modelos de predição de imagem, de texto ou de séries temporais.
Se quiser gerar um modelo de caderno para um modelo tabular criado antes do lançamento desse atributo, você deve reconstruir o modelo para gerar um caderno.
Para modelos elegíveis que você cria com sucesso no Amazon SageMaker Canvas, um notebook Jupyter contendo um relatório de todas as etapas de construção do modelo é gerado. Esse notebook Jupyter contém código Python que você pode executar localmente ou em um ambiente como o Amazon SageMaker Studio Classic para replicar as etapas necessárias para criar seu modelo. O caderno pode ser útil se você quiser experimentar o código ou ver os detalhes do backend de como o Canvas cria modelos.
Para acessar ao modelo do caderno, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Escolha o modelo e a versão que você construiu.
1. Na página da versão do modelo, escolha o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) no cabeçalho.
1. No menu suspenso, escolha **Exibir caderno**.
1. Um pop-up aparece com o conteúdo do caderno. Você pode escolher **Baixar** e, em seguida, fazer o seguinte:
1. Escolha **Baixar** para salvar o conteúdo do caderno em seu dispositivo local.
1. Escolha **Copiar URI do S3** para copiar o local do Amazon S3 onde o caderno está armazenado. O caderno é armazenado no bucket do Amazon S3 especificado em sua **configuração de armazenamento do Canvas**, que está configurada na [Pré-requisitos para configurar o Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites) seção.
Agora você deve ser capaz de visualizar o caderno localmente ou como um objeto no Amazon S3. Você pode carregar o caderno em um IDE para editar e executar o código, ou você pode compartilhar o caderno com outras pessoas em sua organização para revisar.
# Envie seu modelo para o Quick
Se você usa o Quick e deseja aproveitar o SageMaker Canvas em suas visualizações do Quick, você pode criar um modelo do Amazon SageMaker Canvas e usá-lo como um *campo preditivo* em seu conjunto de dados do Quick. Um *campo preditivo* é um campo em seu conjunto de dados Quick que pode fazer previsões para uma determinada coluna em seu conjunto de dados, semelhante à forma como os usuários do Canvas fazem previsões únicas ou em lote com um modelo. Para saber mais sobre como integrar as habilidades preditivas do Canvas em seus conjuntos de dados do Quick, consulte [Integração com o SageMaker Canvas no Guia](https://docs.aws.amazon.com/quicksight/latest/user/sagemaker-canvas-integration.html) [Rápido do Usuário](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html).
As etapas a seguir explicam como você pode adicionar um campo preditivo ao seu conjunto de dados do Quick usando um modelo Canvas:
1. Abra a aplicação Canvas e crie um modelo com o seu conjunto de dados.
1. Depois de criar o modelo no Canvas, envie o modelo para o Quick. Um arquivo de esquema é baixado automaticamente para sua máquina local quando você envia o modelo para o Quick. Você carrega esse arquivo de esquema para o Quick na próxima etapa.
1. Abra o Quick e escolha um conjunto de dados com o mesmo esquema do conjunto de dados que você usou para criar seu modelo. Adicione um campo preditivo ao conjunto de dados e faça o seguinte:
1. Especifique o modelo enviado do Canvas.
1. Faça upload do arquivo de esquema que foi baixado na Etapa 2.
1. Salve e publique suas alterações e, em seguida, gere predições para o novo conjunto de dados. O Quick usa o modelo para preencher a coluna de destino com previsões.
Para enviar um modelo do Canvas para o Quick, você deve atender aos seguintes pré-requisitos:
+ Você deve ter o Canvas e o Quick configurados. Sua conta Quick deve ser criada da Região da AWS mesma forma que seu aplicativo Canvas. Se a região inicial da sua conta Quick for diferente da região do seu aplicativo Canvas, você deve [fechar](https://docs.aws.amazon.com/quicksight/latest/user/closing-account.html) e recriar sua conta Quick ou [configurar um aplicativo Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites) na mesma região da sua conta Quick. Sua conta do Quick também deve conter o namespace padrão, que você configurou ao criar sua conta do Quick pela primeira vez. Entre em contato com seu administrador para ajudá-lo a obter acesso ao Quick. Para obter mais informações, consulte [Configurando o Quick](https://docs.aws.amazon.com/quicksight/latest/user/setting-up.html) no *Guia rápido do usuário*.
+ Seu usuário deve ter as permissões necessárias AWS Identity and Access Management (IAM) para enviar suas previsões para o Quick. Seu administrador pode configurar as permissões do IAM para seu usuário. Para obter mais informações, consulte [Conceder a seus usuários permissões para enviar previsões para o Quick](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-quicksight-permissions.html).
+ O Quick deve ter acesso ao bucket do Amazon S3 que você especificou para o armazenamento do aplicativo Canvas. Para obter mais informações, consulte [Configurar seu armazenamento do Amazon S3](canvas-storage-configuration.md).
# Previsões de séries temporais no Amazon Canvas SageMaker
**nota**
Os modelos de previsão de séries temporais são compatíveis somente com conjuntos de dados tabulares.
O Amazon SageMaker Canvas oferece a capacidade de usar previsões de séries temporais de aprendizado de máquina. As predições de séries temporais permitem que você faça predições que podem variar com o tempo.
Você pode fazer uma previsão de série temporal para os seguintes exemplos:
+ Prevendo seu inventário nos próximos meses.
+ O número de itens vendidos nos próximos quatro meses.
+ O efeito da redução do preço nas vendas durante as festas de fim de ano.
+ Inventário de itens nos próximos 12 meses.
+ O número de clientes que entrarão em uma loja nas próximas horas.
+ Prever como uma redução de 10% no preço de um produto afeta as vendas em um período de tempo.
Para fazer uma previsão de séries temporais, seu conjunto de dados deve ter o seguinte:
+ Uma coluna de data e hora com todos os valores do tipo `datetime`.
+ Uma coluna de destino que tem os valores que você está usando para prever valores futuros.
+ Uma coluna de ID do item que contém identificadores exclusivos para cada item no seu conjunto de dados, como números de SKU.
Os valores `datetime` na coluna de data e hora devem usar um dos seguinte formatos:
+ `YYYY-MM-DD HH:MM:SS`
+ `YYYY-MM-DDTHH:MM:SSZ`
+ `YYYY-MM-DD`
+ `MM/DD/YY`
+ `MM/DD/YY HH:MM`
+ `MM/DD/YYYY`
+ `YYYY/MM/DD HH:MM:SS`
+ `YYYY/MM/DD`
+ `DD/MM/YYYY`
+ `DD/MM/YY`
+ `DD-MM-YY`
+ `DD-MM-YYYY`
Você pode fazer previsões para os seguintes intervalos:
+ 1 min
+ 5 min
+ 15 min
+ 30 min
+ 1 hora
+ 1 dia
+ 1 semana
+ 1 mês
+ 1 ano
## Valores futuros em seu conjunto de dados de entrada
O Canvas detecta automaticamente colunas em seu conjunto de dados que podem conter valores futuros. Se presentes, esses valores podem aumentar a precisão das predições. O Canvas marca essas colunas específicas com um rótulo `Future values`. O Canvas infere a relação entre os dados nessas colunas e a coluna de destino que você está tentando prever e utiliza essa relação para gerar previsões mais precisas.
Por exemplo, você pode prever a quantidade de sorvete vendida por um supermercado. Para fazer uma previsão, você deve ter uma coluna de data e hora e uma coluna que indique a quantidade de sorvete que o supermercado vendeu. Para uma previsão mais precisa, seu conjunto de dados também pode incluir o preço, a temperatura ambiente, o sabor do sorvete ou um identificador exclusivo do sorvete.
As vendas de sorvetes podem aumentar quando o clima está mais quente. Uma diminuição no preço do sorvete pode resultar em mais unidades vendidas. Ter uma coluna com dados de temperatura ambiente e uma coluna com dados de preços pode melhorar sua capacidade de prever o número de unidades de sorvete que o supermercado vende.
Embora fornecer valores futuros seja opcional, isso ajuda você a realizar análises hipotéticas diretamente na aplicação Canvas, mostrando como mudanças nos valores futuros podem alterar suas predições.
## Processando valores ausentes
Você pode ter dados ausentes por diferentes motivos. O motivo da sua falta de dados pode informar como você deseja que o Canvas os impute. Por exemplo, sua organização pode usar um sistema automático que só monitora quando uma venda acontece. Se você estiver usando um conjunto de dados proveniente desse tipo de sistema automático, há valores ausentes na coluna de destino.
**Importante**
Se você tiver valores ausentes na coluna de destino, recomendamos usar um conjunto de dados que não os tenha. SageMaker O Canvas usa a coluna de destino para prever valores futuros. Valores ausentes na coluna de destino podem reduzir consideravelmente a precisão da previsão.
Para valores ausentes no conjunto de dados, o Canvas atribui automaticamente os valores ausentes para você, preenchendo a coluna de destino com `0` e outras colunas numéricas com o valor médio da coluna.
No entanto, você pode selecionar sua própria lógica de preenchimento para a coluna de destino e outras colunas numéricas em seus conjuntos de dados. As colunas de destino têm diretrizes e restrições de preenchimento diferentes das demais colunas numéricas. As colunas de destino são preenchidas até o fim do período histórico, enquanto as colunas numéricas são preenchidas nos períodos histórico e futuro até o final do horizonte de previsão. O Canvas só preenche valores futuros em uma coluna numérica se seus dados tiverem, pelo menos, um registro com um timestamp futuro e um valor para essa coluna específica.
Você pode escolher uma das seguintes opções de lógica para atribuir valores ausentes em seus dados:
+ `zero`: Preencha com `0`.
+ `NaN`: Preencha com NaN, ou não é um número. Isso só é compatível com a coluna de destino.
+ `mean`: Preencha com o valor médio da série de dados.
+ `median`: Preencha com o valor mediano da série de dados.
+ `min`: Preencha com o valor mínimo da série de dados.
+ `max`: Preencha com o valor máximo da série de dados.
Ao escolher uma lógica de preenchimento, você deve considerar como a lógica será interpretada pelo seu modelo. Por exemplo, em um cenário de varejo, registrar zero vendas de um item disponível é diferente de registrar zero vendas de um item indisponível, pois esse último não implica necessariamente em uma falta de interesse no cliente no item indisponível. Nesse caso, preencher com `0` a coluna de destino do conjunto de dados pode fazer que o modelo seja subestimado em suas predições e deduza a falta de interesse do cliente em itens indisponíveis. Por outro lado, o preenchimento com `NaN` pode fazer com que o modelo ignore ocorrências reais de zero itens vendidos de itens disponíveis.
## Tipos de previsões
É possível fazer um dos tipos de previsões a seguir:
+ **Item único**
+ **Todos os itens**
Para uma previsão de todos os itens em seu conjunto de dados, o SageMaker Canvas retorna uma previsão para os valores futuros de cada item em seu conjunto de dados.
Para uma previsão de um único item, você especifica o item e o SageMaker Canvas retorna uma previsão para os valores futuros. A previsão inclui um gráfico de linhas que representa graficamente os valores previstos ao longo do tempo.
**Topics**
+ [Valores futuros em seu conjunto de dados de entrada](#canvas-time-series-future)
+ [Processando valores ausentes](#canvas-time-series-missing)
+ [Tipos de previsões](#canvas-time-series-types)
+ [Opções adicionais para informações de previsão](canvas-additional-insights.md)
# Opções adicionais para informações de previsão
No Amazon SageMaker Canvas, você pode usar os seguintes métodos opcionais para obter mais informações sobre sua previsão:
+ Coluna de grupo
+ Programação de feriados
+ Cenário hipotético
Você pode especificar uma coluna no seu conjunto de dados como uma **coluna de grupo**. O Amazon SageMaker Canvas agrupa a previsão por cada valor na coluna. Por exemplo, você pode agrupar a previsão em colunas contendo dados de preços ou identificadores de itens exclusivos. O agrupamento de uma previsão por uma coluna permite que você faça previsões mais específicas. Por exemplo, se você agrupar uma previsão em uma coluna contendo identificadores de itens, poderá ver a previsão para cada item.
As vendas gerais de itens podem ser afetadas pela presença de feriados. Por exemplo, nos Estados Unidos, o número de itens vendidos em novembro e dezembro pode ser muito diferente do número de itens vendidos em janeiro. Se você usar os dados de novembro e dezembro para prever as vendas em janeiro, seus resultados podem ser imprecisos. Usar uma programação de feriados evita que você obtenha resultados imprecisos. Você pode usar uma programação de feriados para 251 países.
Para uma previsão de um único item em seu conjunto de dados, você pode usar cenários hipotéticos. Um cenário hipotético permite que você altere os valores em seus dados e altere a previsão. Por exemplo, você pode responder às seguintes perguntas usando um cenário hipotético: “E se eu baixasse os preços? Como isso afetaria o número de itens vendidos?”
# Adicionar versões de modelo no Amazon SageMaker Canvas
No Amazon SageMaker Canvas, você pode atualizar os modelos que você criou adicionando *versões*. Cada modelo que você cria tem um número da versão. O primeiro modelo é a versão 1, ou `V1`. Você pode usar as versões do modelo para ver as alterações na precisão da predição ao atualizar seus dados ou usar [transformações avançadas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html).
Ao visualizar seu modelo, o SageMaker Canvas mostra o histórico do modelo para que você possa comparar todas as versões do modelo que você construiu. Você também pode excluir versões que não são mais úteis para você. Ao criar várias versões do modelo e avaliar sua precisão, você pode melhorar iterativamente o desempenho do seu modelo.
**nota**
Os modelos de predição de texto e predição de imagem oferecem apoio apenas a uma versão do modelo.
Para adicionar uma versão de modelo, você pode clonar uma versão existente ou criar uma nova versão.
A clonagem de uma versão existente copia a configuração atual do modelo, incluindo a fórmula do modelo e o conjunto de dados de entrada. Como alternativa, você pode criar uma nova versão se quiser configurar uma nova fórmula de modelo ou escolher um conjunto de dados diferente.
Se você criar uma nova versão e selecionar um conjunto de dados diferente, deverá escolher um conjunto de dados com a mesma coluna de destino e esquema do conjunto de dados da versão 1.
Antes de adicionar uma nova versão, você deve criar com êxito pelo menos uma versão do modelo. Em seguida, você pode [registrar uma versão do SageMaker modelo no Registro](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-register-model.html) de modelos. Use o registro para rastrear as versões do modelo e colaborar com os usuários do Studio Classic na aprovação do modelo de produção.
Se você fez uma compilação rápida para sua primeira versão do modelo, você tem a opção de executar uma compilação padrão ao adicionar uma versão. As compilações padrão geralmente têm maior precisão. Portanto, se você se sentir confiante em sua configuração de compilação rápida, poderá executar uma compilação padrão para criar uma versão final do seu modelo. Para saber mais sobre as diferenças entre compilações rápidas e compilações padrão, consulte. [Como os modelos personalizados funcionam](canvas-build-model.md)
Os procedimentos a seguir mostram como adicionar versões do modelo; o procedimento é diferente dependendo se você está adicionando uma versão do mesmo tipo de compilação ou de um tipo de compilação diferente (rápida ou padrão). Use o procedimento **Para adicionar uma nova versão do modelo** para adicionar versões do mesmo tipo de construção. Para adicionar uma versão do modelo de compilação padrão depois de executar uma compilação rápida, siga o procedimento **Para executar uma compilação padrão**.
**Para adicionar uma nova versão**
1. Abra seu aplicativo SageMaker Canvas. Para obter mais informações, consulte [Começando a usar o Amazon SageMaker Canvas](canvas-getting-started.md).
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Na página **Meus modelos**, selecione o seu modelo. Para encontrar seu modelo, você pode escolher **Filtrar por tipo de problema**.
1. Depois que seu modelo abrir, escolha o botão **Adicionar versão** no painel superior.
1. Use o menu suspenso para escolher uma das seguintes opções:
1. **Adicionar uma nova versão do zero**: Quando você seleciona essa opção, a guia **Criar** é aberta com o rascunho de uma nova versão do modelo. Você pode selecionar um conjunto de dados diferente (desde que o esquema corresponda ao esquema do conjunto de dados da primeira versão do modelo) e configurar uma nova fórmula de modelo. Para obter mais informações sobre a criação de um modelo, consulte [Criar um modelo](canvas-build-model-how-to.md).
1. **Clonar uma versão existente com configurações:** uma caixa de diálogo solicita que você selecione a versão que deseja clonar. Depois de selecionar a versão desejada, escolha **Clonar**. A guia **Criar** é aberta com o rascunho de uma nova versão do modelo. Todas as configurações da fórmula do modelo são copiadas da versão clonada. Para obter mais informações sobre a criação de um modelo, consulte [Criar um modelo](canvas-build-model-how-to.md).
**Executar uma compilação padrão**
1. Abra seu aplicativo SageMaker Canvas. Para obter mais informações, consulte [Começando a usar o Amazon SageMaker Canvas](canvas-getting-started.md).
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Na página **Meus modelos**, selecione o seu modelo. Você pode **filtrar por tipo de problema** para encontrar seu modelo com mais facilidade.
1. Depois que seu modelo for aberto, escolha a guia **Analisar**.
1. Escolha a **versão padrão**.
![\[A guia Analisar de um modelo do Canvas mostrando o botão de construção padrão.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-add-version-quick-to-standard.png)
Na página de rascunho do modelo que se abre na guia **Construir**, você pode modificar a configuração do modelo e iniciar uma construção. Para obter mais informações sobre a criação de um modelo, consulte [Criar um modelo](canvas-build-model-how-to.md).
Agora você deve ter uma nova versão do modelo em andamento. Para obter mais informações sobre a criação de um modelo, consulte [Como os modelos personalizados funcionam](canvas-build-model.md).
Depois de criar uma versão do modelo, você pode retornar à página de detalhes do modelo a qualquer momento para ver todas as versões ou adicionar mais versões. A imagem a seguir mostra a página **Versões** de um modelo.
![\[A página de versões do modelo para um modelo no Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/model-versions.png)
Na página **Versões**, você pode ver as seguintes informações para cada uma das versões do seu modelo:
+ **Status**: Esse campo informa se seu modelo está sendo compilado (`In building`), concluído (`Ready`), falhou na construção (`Failed`) ou ainda está sendo editado (`In draft`).
+ **Pontuação do modelo**, **F1**, **Precisão**, **Recall** e **AUC**: Se você ativar a opção alternar **Mostrar métricas avançadas** nesta página, poderá ver essas métricas do modelo. Essas métricas indicam a precisão e o desempenho do seu modelo. Para obter mais informações, consulte [Avaliação do seu modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html).
+ **Compartilhado** — Esse campo indica se você compartilhou a versão do modelo com usuários do SageMaker Studio Classic.
+ **Registro de modelo**: Esse campo informa se você registrou ou não a versão em um registro de modelo. Para obter mais informações, consulte [Registre uma versão do modelo no registro de modelos de SageMaker IA](canvas-register-model.md).
# MLOps
Depois de criar um modelo no SageMaker Canvas em que você se sinta confiante, talvez você queira integrar seu modelo aos processos de operações (MLOps) de aprendizado de máquina em sua organização. MLOps inclui tarefas comuns, como implantar um modelo para uso na produção ou configurar pipelines de integração contínua e implantação contínua (CI/CD).
Os tópicos a seguir descrevem como você pode usar os atributos do Canvas para usar um modelo criado pelo Canvas na produção.
**Topics**
+ [Registre uma versão do modelo no registro de modelos de SageMaker IA](canvas-register-model.md)
+ [Implantar seus modelos em um endpoint](canvas-deploy-model.md)
+ [Veja suas implantações](canvas-deploy-model-view.md)
+ [Atualizar uma configuração de implantação](canvas-deploy-model-update.md)
+ [Teste sua implantação](canvas-deploy-model-test.md)
+ [Invoque seu endpoint](canvas-deploy-model-invoke.md)
+ [Excluindo um modelo de implantação](canvas-deploy-model-delete.md)
# Registre uma versão do modelo no registro de modelos de SageMaker IA
Com o SageMaker Canvas, você pode criar várias iterações ou versões do seu modelo para melhorá-lo ao longo do tempo. Talvez você queira criar uma nova versão do seu modelo se adquirir melhores dados de treinamento ou se quiser tentar melhorar a precisão do modelo. Para obter mais informações sobre como adicionar versões ao seu modelo, consulte [Atualizar um modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-update-model.html).
Depois de criar [um modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) no qual você se sinta confiante, talvez você queira avaliar seu desempenho e fazer com que ele seja revisado por um cientista ou MLOps engenheiro de dados em sua organização antes de usá-lo na produção. Para fazer isso, você pode registrar as versões do seu [SageMaker modelo no Registro](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html) de modelos. O Registro de SageMaker Modelos é um repositório que cientistas ou engenheiros de dados podem usar para catalogar modelos de aprendizado de máquina (ML) e gerenciar versões de modelos e seus metadados associados, como métricas de treinamento. Eles também podem gerenciar e registrar o status da aprovação de um modelo.
Depois de registrar suas versões de SageMaker modelo no Registro de Modelos, um cientista de dados ou sua MLOps equipe podem acessar o SageMaker Registro de Modelos por meio do [SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html), que é um ambiente de desenvolvimento integrado (IDE) baseado na Web para trabalhar com modelos de aprendizado de máquina. Na interface do SageMaker Model Registry no Studio Classic, o cientista de dados ou a MLOps equipe podem avaliar seu modelo e atualizar seu status de aprovação. Se o modelo não atender aos requisitos, o cientista de dados ou a MLOps equipe podem atualizar o status para`Rejected`. Se o modelo atender aos requisitos, o cientista de dados ou a MLOps equipe poderão atualizar o status para`Approved`. Em seguida, eles podem [implantar seu modelo em um endpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html#deploy-model-prereqs) ou [automatizar a implantação do modelo com CI/CD pipelines](https://aws.amazon.com/blogs/machine-learning/building-automating-managing-and-scaling-ml-workflows-using-amazon-sagemaker-pipelines/). Você pode usar o recurso de registro de modelos de SageMaker IA para integrar perfeitamente os modelos criados no Canvas aos MLOps processos da sua organização.
O diagrama a seguir resume um exemplo de registro de uma versão do modelo construída no Canvas no Registro de SageMaker Modelos para integração em um MLOps fluxo de trabalho.
![\[As etapas de registro de uma versão do modelo construída no Canvas para integração em um MLOps fluxo de trabalho.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-model-registration-diagram.jpg)
Você pode registrar versões de modelos tabulares, de imagem e de texto no Registro de SageMaker modelos. Isso inclui modelos de previsão de séries temporais e modelos de JumpStart base [ajustados](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-fine-tune.html) com base.
**nota**
Atualmente, você não pode registrar modelos de base ajustados baseados no Amazon Bedrock construídos no Canvas no Registro de Modelos. SageMaker
As seções a seguir mostram como registrar uma versão do modelo no Registro de SageMaker Modelos a partir do Canvas.
## Gerenciamento de permissões
Por padrão, você tem permissões para registrar versões do SageMaker modelo no Registro de modelos. SageMaker A IA concede essas permissões para todos os perfis de usuário do Canvas novos e existentes por meio da [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política, que é anexada à função de execução AWS do IAM para o domínio de SageMaker IA que hospeda seu aplicativo Canvas.
Se o administrador do Canvas estiver configurando um novo domínio ou perfil de usuário, ao configurar o domínio e seguir as instruções de pré-requisito no [guia de introdução](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites), a SageMaker AI ativa as permissões de registro do modelo por meio da opção de **configuração de permissões ML Ops**, que é ativada por padrão.
O administrador do Canvas também pode gerenciar as permissões registro de modelos no nível do perfil do usuário. Por exemplo, se o administrador quiser conceder permissões de registro de modelos a alguns perfis de usuário, mas remover permissões para outros, ele poderá editar as permissões para um usuário específico. O seguinte procedimento mostra como desativar permissões de registro de modelos para um perfil de usuário específico:
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de Domínios, selecione o Domínio do perfil do usuário.
1. Na página de **Detalhes do domínio**, escolha o **Perfil do usuário** cujas permissões você deseja editar.
1. Na página **Detalhes do usuário**, selecione **Editar**.
1. No painel de navegação à esquerda, selecione **Configurações do Canvas**.
1. Na seção de **configuração de permissões de operações de ML**, desative a opção **Habilitar permissões de registro do Model Registry**.
1. Escolha **Enviar** para salvar as alterações nas configurações do seu Domínio.
O perfil do usuário não deve mais ter permissões para registrar modelos.
## Registre uma versão do modelo no registro de modelos de SageMaker IA
SageMaker O Model Registry rastreia todas as versões do modelo que você cria para resolver um problema específico em um *grupo de modelos*. Quando você cria um modelo do SageMaker Canvas e o registra no SageMaker Model Registry, ele é adicionado a um grupo de modelos como uma nova versão do modelo. Por exemplo, se você criar e registrar quatro versões do seu modelo, um cientista de dados ou uma MLOps equipe trabalhando na interface do Registro de SageMaker Modelos poderá visualizar o grupo de modelos e revisar todas as quatro versões do modelo em um só lugar.
Ao registrar um modelo do Canvas no Registro de SageMaker Modelos, um grupo de modelos é automaticamente criado e nomeado de acordo com seu modelo do Canvas. Opcionalmente, você pode renomeá-lo para um nome de sua escolha ou usar um grupo de modelos existente no Registro de SageMaker modelos. Para obter mais informações sobre como criar um grupo de modelos, consulte [Criar um grupo de modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-model-group.html).
**nota**
Atualmente, você só pode registrar modelos construídos no Canvas no Registro de SageMaker Modelos na mesma conta.
Para registrar uma versão do SageMaker modelo no Registro de Modelos a partir do aplicativo Canvas, use o seguinte procedimento:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Meus modelos**.
1. Na página **Meus modelos**, selecione o seu modelo. Você pode **filtrar por tipo de problema** para encontrar seu modelo com mais facilidade.
1. Depois de escolher seu modelo, a página **Versões** é aberta, listando todas as versões do seu modelo. Você pode ativar o botão de alternância **Mostrar métricas avançadas** para visualizar as métricas avançadas, tais como **Recall** e **Precisão**, para comparar as versões do seu modelo e determinar qual delas você gostaria de registrar.
1. Na lista de versões do modelo, para a versão que você deseja registrar, escolha o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)). Como alternativa, você pode clicar duas vezes na versão que você precisa registrar e, na página de detalhes da versão, escolher o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Na lista suspensa, escolha **Adicionar ao registro do modelo**. A caixa de diálogo **Adicionar ao registro do modelo** é aberta.
1. Na caixa de diálogo **Adicionar ao registro do modelo**, faça o seguinte:
1. (Opcional) Na seção **Grupo de modelos do SageMaker Studio Classic**, no campo **Nome do grupo de modelos**, insira o nome do grupo de modelos no qual você deseja registrar sua versão. Você pode especificar o nome de um novo grupo de modelos que a SageMaker IA cria para você ou pode especificar um grupo de modelos existente. Se você não especificar esse campo, o Canvas registra sua versão em um grupo de modelos padrão com o mesmo nome do seu modelo.
1. Escolha **Adicionar**.
A versão do seu modelo agora deve ser registrada no grupo de modelos no Registro de SageMaker modelos. Quando você registra uma versão do modelo em um grupo de modelos no Registro de SageMaker Modelos, todas as versões subsequentes do modelo Canvas são registradas no mesmo grupo de modelos (se você optar por registrá-las). Se você registrar suas versões em um grupo de modelos diferente, precisará acessar o Registro de SageMaker modelos e [excluir o grupo de modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-delete-model-group.html). Em seguida, você pode registrar novamente suas versões do modelo no novo grupo de modelos.
Para ver o status de seus modelos, você pode retornar à página **Versões** do seu modelo na aplicação Canvas. Esta página mostra o status do **Registro do Modelo** de cada versão. Se o status for `Registered`, o modelo foi registrado com sucesso.
Se você quiser ver os detalhes da versão do seu modelo registrado, para o status do **Registro do Modelo**, você pode passar o mouse sobre o campo **Registrado** para ver a caixa pop-up **Detalhes do Registro do Modelo**. Esses detalhes contêm mais informações, como as seguintes:
+ O **nome do grupo de pacotes** de modelos é o grupo de modelos no qual sua versão está registrada no Registro de SageMaker modelos.
+ O **status da aprovação**, que pode ser `Pending Approval`, `Approved` ou `Rejected`. Se um usuário do Studio Classic aprovar ou rejeitar sua versão no Registro de SageMaker modelos, esse status será atualizado na página de versões do modelo quando você atualizar a página.
A captura de tela a seguir mostra a caixa de **detalhes do registro do modelo**, juntamente com o **status da aprovação** dessa versão específica do modelo `Approved`.
![\[Captura de tela da caixa de detalhes do SageMaker Model Registry no aplicativo Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/approved-mr.png)
# Implantar seus modelos em um endpoint
No Amazon SageMaker Canvas, você pode implantar seus modelos em um endpoint para fazer previsões. SageMaker A IA fornece a infraestrutura de ML para você hospedar seu modelo em um endpoint com as instâncias de computação que você escolher. Em seguida, você pode *invocar* o endpoint (enviar uma solicitação de predição) e obter uma predição em tempo real do seu modelo. Com essa funcionalidade, você pode usar seu modelo na produção para responder às solicitações de entrada e integrar seu modelo aos fluxos de trabalho e aplicações existentes.
Para começar, você deve ter uma versão do modelo pronta para implantação. Você pode implantar versões personalizadas de modelos que você criou, modelos de SageMaker JumpStart fundação da Amazon e modelos de fundação ajustados. JumpStart Para obter mais informações sobre a criação de um modelo no Canvas, consulte [Como os modelos personalizados funcionam](canvas-build-model.md). Para obter mais informações sobre modelos de JumpStart base no Canvas, consulte[Modelos básicos de IA generativa no Canvas SageMaker](canvas-fm-chat.md).
Revise a seção **Gerenciamento de permissões** a seguir e comece a criar novas implantações na seção **Implantação de modelo**.
## Gerenciamento de permissões
Por padrão, você tem permissões para implantar modelos nos endpoints do SageMaker AI Hosting. SageMaker A IA concede essas permissões para todos os perfis de usuário do Canvas novos e existentes por meio da [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política, que é anexada à função de execução AWS do IAM para o domínio de SageMaker IA que hospeda seu aplicativo Canvas.
Se o administrador do Canvas estiver configurando um novo domínio ou perfil de usuário, ao configurar o domínio e seguir as instruções de pré-requisito no[Pré-requisitos para configurar o Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites), o SageMaker AI ativa as permissões de implantação do modelo por meio da opção **Habilitar implantação direta de modelos do Canvas**, que é ativada por padrão.
O administrador do Canvas também pode gerenciar as permissões implantações de modelos no nível do perfil do usuário. Por exemplo, se o administrador não quiser conceder permissões de implantações de modelos a todos os perfis de usuário ao configurar um domínio, ele poderá conceder permissões a usuários específicos após criar o domínio.
O seguinte procedimento mostra como desativar permissões de implantações de modelos para um perfil de usuário específico:
1. Abra o console de SageMaker IA em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de Domínios, selecione o Domínio do perfil do usuário.
1. Na página **Detalhes do Domínio**, escolha a aba **Perfis de usuário**.
1. Escolha seu **Perfil de usuário**.
1. Na página do perfil do usuário, selecione a aba **Configurações da aplicação**.
1. Na seção **Logs**, selecione **Editar**.
1. Na seção de **configuração do Operações**, ative a opção **Habilitar implantação direta de modelos do Canvas** para habilitar as permissões de implantação.
1. Escolha **Enviar** para salvar as alterações nas configurações do seu Domínio.
O perfil do usuário não deve mais ter permissões para implantações de modelos.
Depois de conceder permissões ao domínio ou perfil do usuário, certifique-se de que o usuário saia da aplicação Canvas e faça login novamente para aplicar as alterações de permissão.
## Implantar um modelo
Para começar a implantar seu modelo, você cria uma nova implantação no Canvas e especifica a versão do modelo que deseja implantar junto com a infraestrutura de ML, como o tipo e o número de instâncias de computação que você gostaria de usar para hospedar o modelo.
O Canvas sugere um tipo padrão e um número de instâncias com base no seu tipo de modelo, ou você pode aprender mais sobre os vários tipos de instância de SageMaker IA na [página de SageMaker preços da Amazon](https://aws.amazon.com/sagemaker/pricing/). Você é cobrado com base no preço da instância de SageMaker IA enquanto seu endpoint está ativo.
Ao implantar modelos JumpStart básicos, você também tem a opção de especificar a duração do tempo de implantação. Você pode implantar o modelo em um endpoint indefinidamente (o que significa que o endpoint está ativo até você excluir a implantação). Ou, se você precisar do endpoint apenas por um curto período de tempo e quiser reduzir custos, você pode implantar o modelo em um endpoint por um determinado período de tempo, após o qual a SageMaker IA desliga o endpoint para você.
**nota**
Se você implantar um modelo por um período de tempo especificado, permaneça conectado à aplicação Canvas durante o endpoint. Se você sair ou excluir a aplicação, o Canvas não poderá encerrar o endpoint no horário especificado.
*Depois que seu modelo for implantado em um [endpoint de inferência em tempo real do SageMaker AI Hosting, você pode começar a fazer previsões invocando o endpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html).*
Há várias maneiras diferentes de implantar uma versão de modelo a partir da aplicação Canvas. É possível acessar a opção de implantação do modelo usando qualquer um dos seguintes métodos:
+ Na página **Meus modelos** da aplicação Canvas, você pode escolher o modelo que deseja implantar. Em seguida, na página **Versões** do modelo, você pode escolher o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) ao lado da versão do modelo e selecionar **Implantar**.
+ Na página de detalhes de uma versão do modelo, na guia **Analisar**, você pode escolher a opção **Implantar**.
+ Na página de detalhes de uma versão do modelo, na guia **Prever**, você pode escolher o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) na parte superior da página e selecionar **Implantar**.
+ Na página **Operações** da aplicação Canvas, escolha a guia **Implantações** e, em seguida, escolha **Criar implantação**.
+ Para modelos de JumpStart fundação e modelos de fundação ajustados, acesse a página de **Ready-to-use modelos** do aplicativo Canvas. Escolha **Gerar, extrair e resumir conteúdo**. Em seguida, encontre o modelo de JumpStart base ou o modelo de fundação ajustado que você deseja implantar. Escolha o modelo e, na página de bate-papo do modelo, escolha o botão **Implantar**.
Todos esses métodos abrem o painel lateral **Implantar modelo**, onde você especifica a configuração de implantação do seu modelo. Para implantar o modelo a partir desse painel, faça o seguinte:
1. (Opcional) Se você estiver criando uma implantação na página **Operações**, você terá a opção de **Selecionar modelo e versão**. Use os menus suspensos para selecionar o modelo e a versão do modelo que você deseja implantar.
1. Insira um nome no campo **Nome da implantação**.
1. **(Somente para modelos de JumpStart base e modelos de base ajustados) Escolha um comprimento de implantação.** Selecione **Indefinido** para deixar o endpoint ativo até que você o desligue, ou selecione **Especificar comprimento** e, em seguida, insira o período durante o qual você deseja que o endpoint permaneça ativo.
1. Em **Tipo de instância**, a SageMaker IA detecta um tipo e número de instância padrão adequados ao seu modelo. No entanto, você pode alterar o tipo de instância que gostaria de usar para hospedar seu modelo.
**nota**
Se você ficar sem a cota de instância para o tipo de instância escolhido em sua AWS conta, poderá solicitar um aumento de cota. Para obter mais informações sobre as cotas padrão e como solicitar um aumento, consulte os [endpoints e cotas do Amazon SageMaker AI no guia](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html) de referência *AWS geral*.
1. Em **Contagem de instâncias**, você pode definir o número de instâncias ativas que são usadas para seu endpoint. SageMaker A IA detecta um número padrão adequado ao seu modelo, mas você pode alterar esse número.
1. Quando estiver pronto para implantação do seu modelo, selecione **Implantar**.
Seu modelo agora deve ser implantado em um endpoint.
# Veja suas implantações
Talvez você queira verificar o status ou os detalhes da implantação de um modelo no Amazon SageMaker Canvas. Por exemplo, se tiver Falha na implantação, talvez você queira verificar os detalhes para solucionar o problema.
Você pode visualizar suas implantações do modelo Canvas a partir do aplicativo Canvas ou do console Amazon SageMaker AI.
Para visualizar detalhes da implantação do Canvas, escolha um dos seguintes procedimentos:
Para visualizar os detalhes da implantação na página **Operações**, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, selecione **Operações**.
1. Escolha a guia **Grupos de implantação**.
1. Escolha o seu estágio de implantação por nome da lista.
Para visualizar os detalhes da implantação na página versões do modelo, faça o seguinte:
1. No aplicativo SageMaker Canvas, acesse a página de detalhes da versão do seu modelo.
1. Escolha a guia **Implantar**.
1. Na seção **Implantações** que lista todas as configurações de implantação associadas a essa versão do modelo, encontre sua implantação.
1. Escolha o ícone **Mais opções** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) e, em seguida, selecione **Visualizar detalhes** para abrir a página de detalhes.
A página de detalhes da sua implantação é aberta e você pode visualizar informações como a hora da predição mais recente, o status e a configuração do endpoint e a versão do modelo atualmente implantada no endpoint.
Você também pode visualizar suas instâncias de espaço de trabalho do Canvas atualmente ativas e endpoints ativos no **painel de SageMaker IA** no console de [SageMaker IA](https://console.aws.amazon.com/sagemaker/). Seus endpoints do Canvas estão listados ao lado de quaisquer outros endpoints do SageMaker AI Hosting que você criou, e você pode filtrá-los pesquisando endpoints com a tag Canvas.
A captura de tela a seguir mostra o painel de SageMaker IA. Na seção **Canvas**, você pode ver que uma instância do workspace está em serviço e quatro endpoints estão ativos.
![\[Captura de tela do painel de SageMaker IA mostrando as instâncias e endpoints ativos do espaço de trabalho do Canvas.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-sagemaker-dashboard.png)
# Atualizar uma configuração de implantação
Você pode atualizar a configuração de implantação dos modelos que você implantou em endpoints no Amazon SageMaker Canvas. Por exemplo, você pode implantar uma versão atualizada do modelo no endpoint ou atualizar o tipo de instância ou o número de instâncias atrás do endpoint com base nas suas necessidades de capacidade.
Há várias maneiras diferentes de atualizar sua implantação a partir da aplicação Canvas. É possível usar qualquer um dos seguintes métodos:
+ Na página **Operações** da aplicação Canvas, você pode escolher a guia **Implantações** e selecionar a implantação que você deseja atualizar. Em seguida, escolha **Atualizar configuração**.
+ Na página de detalhes de uma versão do modelo, na guia **Implantar**, você pode ver as implantações dessa versão. Ao lado da implantação, escolha o ícone **Mais opções** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) e, em seguida, escolha **Atualizar configuração**.
Os dois métodos anteriores abrem o painel lateral **Atualizar configuração**, onde você pode fazer alterações na configuração de implantação. Para atualizar sua configuração, siga um dos seguintes procedimentos:
1. Na lista suspensa **Selecionar versão**, você pode selecionar uma versão diferente do modelo para implantar no endpoint.
**nota**
Ao atualizar uma configuração de implantação, você só pode escolher uma versão do modelo diferente para implantar. Para implantar um modelo diferente, crie uma nova implantação.
1. Em **Tipo de instância**, você pode selecionar um tipo de instância diferente para hospedar seu modelo.
1. Em **Contagem de instâncias**, você pode alterar o número de instâncias ativas que são usadas para seu endpoint.
1. Escolha **Salvar**.
Sua configuração de implantação agora deve ser atualizada.
# Teste sua implantação
Você pode testar a implantação de um modelo invocando o endpoint ou fazendo solicitações únicas de previsão por meio do aplicativo Amazon SageMaker Canvas. Você pode usar essa funcionalidade para confirmar se seu endpoint responde às solicitações antes de invocá-lo programaticamente em um ambiente de produção.
## Teste a implantação de um modelo personalizado
Você pode testar a implantação de um modelo personalizado acessando-a por meio da página **Operações** e fazendo uma única invocação, que retorna uma predição junto com a probabilidade de que a predição esteja correta.
**nota**
A duração da execução é uma estimativa do tempo necessário para invocar e obter uma resposta do endpoint no Canvas. Para métricas detalhadas de latência, consulte Métricas de [invocação de endpoints do SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/monitoring-cloudwatch.html#cloudwatch-metrics-endpoint-invocation).
Para testar seu endpoint por meio da aplicação Canvas, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, escolha **Perfis**.
1. Escolha a guia **Grupos de implantação**.
1. Na lista de implantações, escolha aquela com o endpoint que você deseja invocar.
1. Na página de detalhes da implantação, escolha a guia **Testar a implantação**.
1. Na página de teste de implantação, você pode modificar os campos de **Valor** para especificar um novo ponto de dados. Para modelos de previsão de séries temporais, você especifica a **ID do item** para a qual deseja fazer uma previsão.
1. Depois de modificar os valores, escolha **Atualizar** para obter o resultado da predição.
A predição é carregada, junto com os campos de **resultado da invocação**, que indicam se a invocação foi bem-sucedida ou não e quanto tempo a solicitação levou para ser processada.
A captura de tela a seguir mostra uma predição realizada na aplicação Canvas na guia **Testar a implantação**.
![\[Captura de tela da aplicação Canvas mostrando uma predição de teste para um modelo implantado.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/canvas-test-deployments.png)
Para todos os tipos de modelo, exceto a predição numérica, a predição retorna os seguintes campos:
+ **predicted\$1label**: a saída prevista
+ **probabilidade**: a probabilidade de que o rótulo previsto esteja correto
+ **rótulos**: a lista de todos os rótulos possíveis
+ **probabilidades**: as probabilidades correspondentes a cada rótulo (a ordem dessa lista corresponde à ordem dos rótulos)
Para modelos de predição numérica, a predição contém apenas o campo de **pontuação**, que é a saída prevista do modelo, como o preço previsto de uma casa.
Para modelos de predição de séries temporais, a predição é um gráfico que mostra as predições por quantil. Você pode escolher a **Visualizar Esquema** para ver os valores numéricos previstos para cada quantil.
Você pode continuar fazendo predições únicas por meio da página de testes de implantação ou pode ver a seção a seguir [Invoque seu endpoint](canvas-deploy-model-invoke.md) para saber como invocar seu endpoint programaticamente a partir de aplicações.
## Teste a implantação de um modelo JumpStart básico
Você pode conversar com um modelo JumpStart básico implantado por meio do aplicativo Canvas para testar sua funcionalidade antes de invocá-lo por meio de código.
Para conversar com um modelo JumpStart básico implantado, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, escolha **Perfis**.
1. Escolha a guia **Grupos de implantação**.
1. Na lista de implantações, localize a que pretende invocar e selecione o ícone **Mais opções** (![\[More options icon for a model deployment.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. No menu de contexto, escolha **Testar implantação**.
1. Um novo bate-papo **para gerar, extrair e resumir conteúdo** é aberto com o modelo JumpStart básico, e você pode começar a digitar instruções. Observe que as solicitações desse bate-papo são enviadas como solicitações ao seu endpoint do SageMaker AI Hosting.
# Invoque seu endpoint
**nota**
Recomendamos que você [teste a implantação do seu modelo no Amazon SageMaker Canvas](canvas-deploy-model-test.md) antes de invocar programaticamente um endpoint de SageMaker IA.
Você pode usar seus modelos do Amazon SageMaker Canvas que você implantou em um endpoint de SageMaker IA em produção com seus aplicativos. [Invoque o endpoint programaticamente da mesma forma que você invoca qualquer outro endpoint de IA em tempo real. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) A invocação de um endpoint retorna programaticamente um objeto de resposta que contém os mesmos campos mencionados na seção anterior [Teste sua implantação](canvas-deploy-model-test.md).
Para obter mais informações detalhadas sobre como invocar endpoints de forma programática, consulte. [Invocar modelos para inferência em tempo real](realtime-endpoints-test-endpoints.md)
Os exemplos de Python a seguir mostram como invocar seu endpoint com base no tipo do modelo.
## JumpStart modelos de fundação
O exemplo a seguir mostra como invocar um modelo JumpStart básico que você implantou em um endpoint.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(
[['feature_column1', 'feature_column2'],
['feature_column1', 'feature_column2']]
).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Modelos de predição numérica e categórica
O exemplo a seguir mostra como invocar modelos de predição numérica ou categóricos.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(['feature_column1', 'feature_column2'], ['feature_column1', 'feature_column2']).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Avalie modelos de previsão de séries temporais
O exemplo a seguir mostra como invocar modelos de previsão de séries temporais. Para obter um exemplo completo de como testar a invocação de um modelo de previsão de séries temporais, consulte Previsão de [séries temporais com o Amazon Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb). SageMaker
```
import boto3
import pandas as pd
csv_path = './real-time-payload.csv'
data = pd.read_csv(csv_path)
client = boto3.client("runtime.sagemaker")
body = data.to_csv(index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Modelos de predição de imagem
O exemplo a seguir mostra como invocar modelos de predição numérica ou categórica.
```
import boto3
client = boto3.client("runtime.sagemaker")
with open("example_image.jpg", "rb") as file:
body = file.read()
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="application/x-image",
Body=body,
Accept="application/json"
)
```
## Modelos de predição de texto
O exemplo a seguir mostra como invocar modelos de predição de texto.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame([["Example text 1"], ["Example text 2"]]).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
# Excluindo um modelo de implantação
Você pode excluir suas implantações de modelo do aplicativo Amazon SageMaker Canvas. Essa ação também exclui o endpoint do console de SageMaker IA e desliga todos os recursos relacionados ao endpoint.
**nota**
Opcionalmente, você pode excluir seu endpoint por meio do [console de SageMaker IA](https://console.aws.amazon.com/sagemaker/) ou usando a SageMaker API de IA`DeleteEndpoint`. Para obter mais informações, consulte [Excluir endpoints e recursos](realtime-endpoints-delete-resources.md). No entanto, quando você exclui o endpoint por meio do console SageMaker AI ou APIs em vez do aplicativo Canvas, a lista de implantações no Canvas não é atualizada automaticamente. Você também deve excluir a implantação da aplicação Canvas para removê-la da lista.
Para excluir uma implantação no Canvas, faça o seguinte:
1. Abra o aplicativo SageMaker Canvas.
1. No painel de navegação à esquerda, escolha **Perfis**.
1. Escolha a guia **Grupos de implantação**.
1. Na lista de implantações, escolha aquela que você deseja excluir.
1. Na parte superior da página de detalhes da implantação, escolha o ícone **Mais opções** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Escolha **Excluir implantação**.
1. Na caixa de diálogo **Excluir implantação**, escolha **Excluir**.
Sua implantação e o endpoint de hospedagem de SageMaker IA agora devem ser excluídos do Canvas e do console de SageMaker IA.
# Como gerenciar automações
No SageMaker Canvas, você pode criar automações que atualizam seu conjunto de dados ou geram previsões do seu modelo em um cronograma. Por exemplo, você pode receber novos dados de envio diariamente. Você pode configurar uma atualização automática para seu conjunto de dados e predições automáticas em lote que são executadas sempre que o conjunto de dados é atualizado. Usando esses atributos, você pode configurar um fluxo de trabalho automatizado e reduzir o tempo gasto atualizando manualmente conjuntos de dados e fazendo predições.
**nota**
Você só pode definir no máximo 20 configurações automáticas no sua aplicação Canvas. As automações só estão ativas enquanto você está conectado à aplicação Canvas. Se você se desconectar do Canvas, seus trabalhos são pausados automaticamente até que você faça login novamente.
As seções a seguir descrevem como visualizar, editar e excluir configurações de automações existentes. Para saber como configurar automações, consulte os tópicos a seguir:
+ Para configurar atualizações automáticas do conjunto de dados, consulte [Atualizar um conjunto de dados](canvas-update-dataset.md).
+ Para configurar predições automáticas em lote, consulte [Previsões em lote no Canvas SageMaker](canvas-make-predictions-batch.md).
**Topics**
+ [Visualize suas automações](canvas-manage-automations-view.md)
+ [Edite suas configurações automáticas](canvas-manage-automations-edit.md)
+ [Excluir uma configuração automática](canvas-manage-automations-delete.md)
# Visualize suas automações
Você também pode visualizar todos os seus trabalhos de atualização automática acessando o painel de navegação esquerdo do Canvas e escolhendo **Operações**. A página **Operações** combina automações para atualizações automáticas de conjuntos de dados e predições automáticas em lote. Na página **Automações**, você pode ver as seguintes guias:
+ **Todos os trabalhos**: Você pode ver todas as instâncias de uma **atualização de conjunto de dados** ou trabalho de **predições em lote** que o Canvas realizou. Para cada trabalho, você pode ver campos como o **conjunto de dados de entrada** associado, o **Nome da configuração** de atualização automática associada e o **Status** mostrando se o trabalho foi bem-sucedido ou não. Você pode filtrar os trabalhos por nome de configuração:
+ Para trabalhos de atualização do conjunto de dados, você pode escolher a versão mais recente do conjunto de dados ou o trabalho mais recente para visualizar o conjunto de dados.
+ Para trabalhos de predição em lote, você pode escolher o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) para visualizar ou baixar as predições para esse trabalho. Você também pode escolher **Exibir detalhes** para ver mais detalhes sobre seu trabalho de predição. Para obter mais informações sobre os detalhes do trabalho de predição em lotes, consulte[Visualize seus trabalhos de predição em lotes](canvas-make-predictions-batch-auto-view.md).
+ **Configuração**: Você pode ver todas as configurações de **atualização do conjunto de dados** e **predições em lote** que você criou. Para cada configuração, você pode ver campos como o **conjunto de dados de entrada** associado e a **frequência** dos trabalhos. Você também pode desativar ou ativar o botão **Atualização automática** para pausar ou retomar as atualizações automáticas. Se você escolher o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) para uma configuração específica, poderá optar por **Visualizar todos os trabalhos** da configuração, **Atualizar configuração** ou **Excluir configuração**.
# Edite suas configurações automáticas
Depois de definir uma configuração, você pode querer fazer alterações nela. Para atualizações automáticas do conjunto de dados, você pode atualizar a localização do Amazon S3 para o Canvas para importar dados, a frequência das atualizações e o horário de início. Para predições automáticas em lote, você pode alterar o conjunto de dados que a configuração rastreia para atualizações. Você também pode desativar a automação para pausar temporariamente as atualizações até optar por retomá-las.
As seções a seguir mostram como atualizar cada tipo de configuração.
**nota**
Você não pode alterar a frequência das predições automáticas em lote porque as predições automáticas em lote são executadas sempre que o conjunto de dados de destino é atualizado.
**Topics**
+ [Editar sua configuração de atualização automática do conjunto de dados](canvas-manage-automations-edit-dataset.md)
+ [Edite sua configuração automática de predição de lote](canvas-manage-automations-edit-batch.md)
# Editar sua configuração de atualização automática do conjunto de dados
É possível fazer alterações na configuração de atualização automática de um conjunto de dados, como alterar a frequência das atualizações. Você também pode desativar sua configuração de atualização automática para pausar as atualizações do seu conjunto de dados.
Para fazer alterações na configuração de atualização automática de um conjunto de dados, faça o seguinte:
1. No painel de navegação à esquerda do Canvas, selecione **Meus modelos**.
1. Escolha a guia **Alocações**.
1. Escolha a guia **Configuração**.
1. Para sua configuração de atualização automática, escolha o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. No menu suspenso, escolha **Atualizar** configuração. Você é direcionado para a guia **Atualizações automáticas** do conjunto de dados.
1. Faça as suas alterações na configuração. Quando terminar de fazer as alterações, selecione **Salvar**.
Para pausar as atualizações do conjunto de dados, desative sua configuração automática. Uma forma de desativar as atualizações automáticas é fazer o seguinte:
1. No painel de navegação à esquerda do Canvas, selecione **Meus modelos**.
1. Escolha a guia **Alocações**.
1. Escolha a guia **Configuração**.
1. Encontre sua configuração na lista e desative o botão de **atualização automática**.
As atualizações automáticas do seu conjunto de dados agora estão pausadas. Você pode reativar essa opção a qualquer momento para retomar o cronograma de atualizações.
# Edite sua configuração automática de predição de lote
Ao editar uma configuração de predição em lote, você pode alterar o conjunto de dados de destino, mas não a frequência (já que as predições em lote automáticas ocorrem sempre que o conjunto de dados é atualizado).
Para fazer alterações em sua configuração automática de predições em lote, faça o seguinte:
1. No painel de navegação à esquerda do Canvas, selecione **Meus modelos**.
1. Escolha a guia **Alocações**.
1. Escolha a guia **Configuração**.
1. Para sua configuração de atualização automática, escolha o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. No menu suspenso, escolha **Atualizar** configuração. Você é direcionado para a guia **Atualizações automáticas** do conjunto de dados.
1. A caixa de diálogo **Automatizar predição em lote** é aberta. Você pode selecionar outro conjunto de dados e escolher **Configurar** para salvar suas alterações.
Sua configuração automática de predições em lote agora está atualizada.
Para pausar suas predições automáticas em lote, desative sua configuração automática. Use o seguinte procedimento para desativar sua configuração:
1. No painel de navegação à esquerda do Canvas, selecione **Meus modelos**.
1. Escolha a guia **Alocações**.
1. Escolha a guia **Configuração**.
1. Encontre sua configuração na lista e desative o botão de **atualização automática**.
As predições automáticas em lote para seu conjunto de dados agora estão pausadas. Você pode reativar essa opção a qualquer momento para retomar o cronograma de atualizações.
# Excluir uma configuração automática
Talvez você queira excluir uma configuração para interromper seu fluxo de trabalho automatizado no SageMaker Canvas.
Para excluir uma configuração para atualizações automáticas de conjuntos de dados ou predições automáticas em lote, faça o seguinte:
1. No painel de navegação à esquerda do Canvas, selecione **Meus modelos**.
1. Escolha a guia **Alocações**.
1. Escolha a guia **Configuração**.
1. Encontre sua configuração de atualização automática e escolha o ícone **Mais opções** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Escolha **Excluir configuração**.
1. Na caixa de diálogo exibida, escolha **Excluir**.
Sua configuração de atualização automática agora está excluída.
# Sair do Amazon SageMaker Canvas
Depois de concluir seu trabalho no Amazon SageMaker Canvas, você pode sair ou configurar seu aplicativo para encerrar automaticamente a instância do *espaço de trabalho*. Uma instância de workspace é dedicada para seu uso toda vez que você executa uma aplicação Canvas, e você é cobrado pelo tempo em que a instância for executada. Sair ou encerrar a instância do espaço de trabalho interrompe o faturamento da instância de workspace. Para obter mais informações, consulte [SageMaker Preço](https://aws.amazon.com/sagemaker/pricing/).
As seções a seguir descrevem como sair de sua aplicação Canvas e como configurar sua aplicação para ser encerrado automaticamente de acordo com um cronograma.
## Encerre a sessão no Canvas
Quando você se desconecta, os modelos e conjuntos de dados não são afetados. Qualquer compilação padrão ou rápida do modelo ou [trabalho de processamento de dados grandes](canvas-export-data.md#canvas-export-data-s3) continua em execução mesmo que você se desconecte.
Para sair, escolha o botão **Sair** (![\[Filter icon in the SageMaker Canvas app.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/canvas/logout-icon.png)) no painel esquerdo do aplicativo SageMaker Canvas.
Você também pode sair do aplicativo SageMaker Canvas fechando a guia do navegador e [excluindo o aplicativo](canvas-manage-apps-delete.md) no console.
Depois de sair, o SageMaker Canvas solicita que você reinicie em uma guia diferente. O login leva cerca de 1 minuto. Se você tiver um administrador que configurou o SageMaker Canvas para você, use as instruções que eles lhe deram para entrar novamente. Se não tiver um administrador, consulte o procedimento para acessar o SageMaker Canvas em[Pré-requisitos para configurar o Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites).
## Encerrar o Canvas automaticamente
Se você é administrador do Canvas, talvez queira encerrar aplicações regularmente para reduzir custos. Você pode criar um cronograma para encerrar as aplicações ativas do Canvas ou criar uma automação para encerrar as aplicações do Canvas assim que estiverem *ociosas* (o que significa que o usuário não está ativo há 2 horas).
Você pode criar essas soluções usando AWS Lambda funções que chamam a `DeleteApp` API e excluem aplicativos do Canvas em determinadas condições. Para obter mais informações sobre essas soluções e acesso aos CloudFormation modelos que você pode usar, consulte o blog [Otimizando custos para o Amazon SageMaker Canvas com o desligamento automático de aplicativos inativos](https://aws.amazon.com/blogs/machine-learning/optimizing-costs-for-amazon-sagemaker-canvas-with-automatic-shutdown-of-idle-apps/).
**nota**
Você pode sentir a falta de CloudWatch métricas [da Amazon](https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/WhatIsCloudWatch.html) se houver um erro ao configurar seu cronograma de desligamento ocioso ou um CloudWatch erro. Recomendamos que você adicione um CloudWatch alarme que monitore as métricas ausentes. Se você encontrar esse problema, entre em contato Suporte para obter ajuda.
# Limitações e solução de problemas
A seção a seguir descreve a ajuda para solução de problemas e as limitações que se aplicam ao usar o Amazon SageMaker Canvas. Você pode usar esses tópicos para ajudar a solucionar quaisquer problemas encontrados.
## Solução de problemas com a concessão de permissões por meio do console de SageMaker IA
Se você está tendo problemas para conceder permissões básicas ou permissões de Ready-to-use modelos do Canvas ao seu usuário, ele pode ter uma função de execução do AWS IAM com mais de uma relação de confiança com outros AWS serviços. Uma relação de confiança é uma política anexada à sua função que define quais entidades principais (usuários, funções, contas ou serviços) podem assumir a função. Por exemplo, você pode encontrar um problema ao conceder permissões adicionais do Canvas ao seu usuário se a função de execução dele tiver uma relação de confiança com o Amazon SageMaker AI e o Amazon Forecast.
Para corrigir esse problema, escolha uma das opções a seguir.
### 1. Remova todos os serviços confiáveis, exceto um, da função.
Essa solução exige que você edite a relação de confiança da função do IAM do seu perfil de usuário e remova todos os AWS serviços, exceto a SageMaker IA.
Para editar a relação de confiança da sua função de execução do IAM, faça o seguinte:
1. Acesse o console do IAM em [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/).
1. No painel de navegação do console do IAM, escolha **Perfis**. O console exibe as funções de sua conta.
1. Escolha o nome da função que você deseja modificar e selecione a guia **Relações de confiança** na página de detalhes.
1. Escolha **Editar política de confiança**.
1. No editor **Editar política de confiança**, cole o conteúdo a seguir e escolha **Atualizar política**.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
},
"Action": "sts:AssumeRole"
}
]
}
```
------
Também é possível atualizar este documento de política usando a CLI do IAM. Para obter mais informações, consulte [update-trust](https://docs.aws.amazon.com/cli/latest/reference/ds/update-trust.html) na *Referência de comandos da IAM*.
Agora você pode tentar conceder novamente as permissões básicas do Canvas ou as permissões dos Ready-to-use modelos ao seu usuário.
### 2. Use uma função diferente com um ou menos serviços confiáveis.
Essa solução exige que você especifique uma função diferente do IAM para seu perfil de usuário. Use essa opção se você já tiver um perfil do IAM que você pode substituir.
Para especificar um perfil de execução diferente para seu usuário, faça o seguinte:
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Na lista de domínios, selecione o domínio cuja lista de perfis de usuário você deseja visualizar.
1. Na página **Detalhes do Domínio**, escolha a aba **Perfis de usuário**.
1. Escolha o usuário cujas permissões você deseja editar. Na página **Detalhes do usuário**, selecione **Editar**.
1. Na página **Configurações gerais**, escolha a lista suspensa **Perfil de execução** e selecione o perfil que você deseja usar.
1. Escolha **Enviar** para salvar suas alterações no perfil do usuário.
Agora, seu usuário deve estar usando uma função de execução com apenas um serviço confiável (SageMaker IA).
Você pode tentar conceder novamente as permissões básicas do Canvas ou as permissões dos Ready-to-use modelos ao seu usuário.
### 3. Anexe manualmente a política AWS gerenciada à função de execução em vez de usar o botão nas configurações do domínio de SageMaker IA.
Em vez de usar o botão de alternância nas configurações do domínio ou do perfil do usuário, você pode anexar manualmente as políticas gerenciadas pela AWS que concedem ao usuário as permissões corretas.
Para conceder permissões básicas do Canvas a um usuário, anexe a [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)política. Para conceder permissões aos Ready-to-use modelos de usuário, anexe a política de [AmazonSageMakerCanvasAIServicesacesso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess).
Use o procedimento a seguir para anexar uma política AWS gerenciada à sua função:
1. Acesse o console do IAM em [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/).
1. Escolha **Perfis**.
1. Na caixa de pesquisa, busque o perfil do IAM do usuário pelo nome e selecione-o.
1. Na página de perfilo do usuário, em **Permissões**, escolha **Adicionar permissões**.
1. Da lista suspensa, escolha **Anexar políticas**.
1. Pesquise e selecione a política ou políticas que você deseja anexar ao perfil de execução do usuário:
1. Para conceder as permissões básicas do Canvas, pesquise e selecione a [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)política.
1. Para conceder permissões aos Ready-to-use modelos, pesquise e selecione a política de [AmazonSageMakerCanvasAIServicesacesso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess).
1. Escolha **Adicionar permissões** para anexar a política ao perfil.
Depois de anexar uma política AWS gerenciada à função do usuário por meio do console do IAM, seu usuário agora deve ter as permissões básicas ou as permissões de Ready-to-use modelos do Canvas.
## Solução de problemas com a criação de uma aplicação Canvas devido à falha de espaço
Ao criar um novo aplicativo Canvas, se você encontrar um erro informando`Unable to create app because space is not in InService state`, isso indica que a criação do espaço subjacente do Amazon SageMaker Studio falhou. Um *espaço* Studio é o armazenamento subjacente que hospeda os dados da sua aplicação Canvas. Para obter mais informações gerais sobre os espaços do Studio, consulte [Espaços do Amazon SageMaker Studio](studio-updated-spaces.md). Para obter mais informações sobre como configurar espaços no Canvas, consulte [Armazene dados do aplicativo SageMaker Canvas em seu próprio espaço de SageMaker IA](canvas-spaces-setup.md).
Para determinar a causa raiz da falha na criação do espaço, você pode usar a [DescribeSpace](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeSpace.html)API para verificar o `FailureReason` campo. Para mais informações sobre os possíveis status dos espaços e o que eles significam, consulte [Entidades e status de domínio da Amazon SageMaker AI](sm-domain.md).
Para resolver esse problema, encontre seu domínio no console do SageMaker AI e exclua o espaço com falha listado na mensagem de erro que você recebeu. Para obter etapas detalhadas sobre como encontrar e excluir um espaço, consulte a página [Interromper e excluir aplicações e espaços em execução no Studio](studio-updated-running-stop.md) e siga as instruções para **Excluir um espaço do Studio**. A exclusão do espaço também exclui todos as aplicações associados ao espaço. Depois de excluir o espaço, você pode tentar criar sua aplicação Canvas novamente. O espaço agora deve ser provisionado com sucesso, permitindo que o Canvas seja lançado.
# Cobrança e custo no Canvas SageMaker
Para rastrear os custos associados ao seu aplicativo SageMaker Canvas, você pode usar o Gerenciamento de Faturamento e Custos da AWS serviço. O gerenciamento faturamento e custo fornece ferramentas para ajudar você a coletar informações relacionadas ao seu custo e uso, analisar o que eleva seus custos e as tendências de uso, e adotar medidas para controlar seus gastos. Para obter mais informações, consulte [O que é o Gerenciamento de Faturamento e Custos da AWS?](https://docs.aws.amazon.com/awsaccountbilling/latest/aboutv2/billing-what-is.html)
O faturamento no SageMaker Canvas consiste nos seguintes componentes:
+ Cobranças de instância do Workspace — Você é cobrado pelo número de horas em que está conectado ou usando SageMaker o Canvas. Recomendamos que você saia ou crie um cronograma para encerrar qualquer aplicação Canvas que não esteja usando ativamente para reduzir custos. Para obter mais informações, consulte [Sair do Amazon SageMaker Canvas](canvas-log-out.md).
+ AWS taxas de serviço — Você é cobrado por criar e fazer previsões com modelos personalizados ou por fazer previsões com Ready-to-use modelos:
+ Taxas de treinamento: Para todos os tipos de modelo, você é cobrado com base no uso de recursos durante a criação do modelo. Esses recursos incluem todas as instâncias de computação que o Canvas gira. Você pode ver essas cobranças em sua conta como trabalhos de hospedagem, treinamento, processamento ou transformação em lote.
+ Cobranças de previsão — Você é cobrado pelos recursos usados para gerar previsões, dependendo do tipo de modelo personalizado que você criou ou do tipo de Ready-to-use modelo usado.
Os [Ready-to-use modelos](canvas-ready-to-use-models.md) no Canvas utilizam outros AWS serviços para gerar previsões. Ao usar um Ready-to-use modelo, você é cobrado pelo respectivo serviço, e suas condições de preço se aplicam:
+ Para análise de sentimentos, extração de entidades, detecção de idioma e detecção de informações pessoais, você é cobrado pelos preços do [Amazon Comprehend](https://aws.amazon.com/comprehend/pricing/).
+ Para detecção de objetos em imagens e detecção de texto em imagens, você é cobrado de acordo com os preços do [Amazon Rekognition.](https://aws.amazon.com/rekognition/pricing/)
+ Para análise de despesas, análise de documentos de identidade e análise de documentos, você é cobrado pelos preços do [Amazon Textract](https://aws.amazon.com/textract/pricing/).
Para mais informações, consulte [SageMaker Preços do Canvas](https://aws.amazon.com/sagemaker/canvas/pricing/).
Para ajudá-lo a controlar seus custos no Billing and Cost Management, você pode atribuir tags personalizadas ao SageMaker seu aplicativo Canvas e aos usuários. Você pode monitorar os custos incorridos por suas aplicações e, ao marcar perfis de usuário individuais, pode rastrear os custos com base no perfil do usuário. Para obter mais informações sobre tags, consulte [Uso de tags de alocação de custos](https://docs.aws.amazon.com/awsaccountbilling/latest/aboutv2/cost-alloc-tags.html).
Você pode adicionar tags ao seu aplicativo SageMaker Canvas e aos usuários fazendo o seguinte:
+ Se você estiver configurando seu domínio Amazon SageMaker AI e o SageMaker Canvas pela primeira vez, siga as instruções de [introdução](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html) e adicione tags ao criar seu domínio ou usuários. Você pode adicionar tags por meio das **configurações gerais** na configuração do console do domínio ou por meio do APIs ([CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)ou [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)). SageMaker A IA adiciona as tags especificadas no seu domínio ou UserProfile em qualquer aplicativo ou usuário do SageMaker Canvas que você criar depois de criar o domínio.
+ Se você quiser adicionar tags a aplicativos em um domínio existente, deverá adicionar tags ao domínio ou ao UserProfile. Você pode adicionar tags por meio do console ou da [AddTags](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AddTags.html)API. Se você adicionar tags por meio do console, deverá excluir e reiniciar seu aplicativo SageMaker Canvas para que as tags se propaguem para o aplicativo. Se você usa a API, as tags são adicionadas diretamente à aplicação. [Para obter mais informações sobre como excluir e reiniciar um aplicativo SageMaker Canvas, consulte Gerenciar aplicativos.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-manage-apps.html)
Depois de adicionar tags ao seu domínio, pode levar até 24 horas para que as tags apareçam no Gerenciamento de Faturamento e Custos da AWS console para ativação. Depois de aparecerem no console, as tags demoram mais 24 horas para serem ativadas.
Na página do **Explorador de custos**, você pode agrupar e filtrar seus custos por tags e tipos de uso para separar as cobranças da instância do Workspace das cobranças de treinamento. As cobranças de cada uma estão listadas da seguinte forma:
+ Cobranças de instâncias do Workspace: as cobranças aparecem abaixo do tipo de uso `REGION-Canvas:Session-Hrs (Hrs)`.
+ Taxas de treinamento: as cobranças aparecem abaixo dos tipos de uso para trabalhos de SageMaker AI Hosting, Training, Processing ou Batch Transform.
# Capacidades SageMaker geoespaciais da Amazon
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. Se antes de 30 de novembro de 2023 você criou um domínio Amazon SageMaker AI, o Studio Classic continua sendo a experiência padrão. Os domínios criados após 30 de novembro de 2023 usam como padrão a nova experiência do Studio.
Os recursos e recursos SageMaker geoespaciais da Amazon *só* estão disponíveis no Studio Classic. Para saber mais sobre como configurar um domínio e começar a usar o Studio, consulte[Começando a usar a Amazon SageMaker Geospatial](geospatial-getting-started.md).
Os recursos SageMaker geoespaciais da Amazon facilitam que cientistas de dados e engenheiros de aprendizado de máquina (ML) criem, treinem e implantem modelos de ML com mais rapidez usando dados geoespaciais. Você tem acesso a ferramentas de dados, processamento e visualização de código aberto e de terceiros para tornar mais eficiente a preparação de dados geoespaciais para ML. Você pode aumentar sua produtividade usando algoritmos específicos e modelos de ML pré-treinados para acelerar a criação e o treinamento de modelos, além de usar ferramentas de visualização integradas para explorar os resultados de predição em um mapa interativo e depois colaborar entre as equipes na obtenção de insights e resultados.
**nota**
Atualmente, as capacidades SageMaker geoespaciais são suportadas somente na região Oeste dos EUA (Oregon).
Se você não vê a interface SageMaker geoespacial disponível em sua instância atual do Studio Classic, verifique se você está atualmente na região Oeste dos EUA (Oregon).
**Por que usar recursos SageMaker geoespaciais?**
Você pode usar recursos SageMaker geoespaciais para fazer previsões em dados geoespaciais mais rapidamente do que soluções. do-it-yourself SageMaker os recursos geoespaciais facilitam o acesso a dados geoespaciais de seus lagos de dados de clientes, conjuntos de dados de código aberto e outros SageMaker provedores de dados geoespaciais existentes. SageMaker os recursos geoespaciais minimizam a necessidade de criar infraestrutura personalizada e funções de pré-processamento de dados, oferecendo algoritmos específicos para preparação eficiente de dados, treinamento de modelos e inferência. Você também pode criar e compartilhar visualizações e dados personalizados com sua empresa a partir do Amazon SageMaker Studio Classic. SageMaker as capacidades geoespaciais oferecem modelos pré-treinados para usos comuns em agricultura, imóveis, seguros e serviços financeiros.
## Como posso usar os recursos SageMaker geoespaciais?
Você pode usar os recursos SageMaker geoespaciais de duas maneiras.
+ Por meio da interface SageMaker geoespacial, como parte da interface do usuário do Amazon SageMaker Studio Classic.
+ Por meio de uma instância do caderno Studio que usa a imagem **Geoespacial 1.0**.
**SageMaker A IA tem os seguintes recursos geoespaciais**
+ Use uma imagem SageMaker geoespacial criada especificamente que ofereça suporte a instâncias de notebook baseadas em CPU e GPU e também inclua bibliotecas de código aberto comumente usadas em fluxos de trabalho de aprendizado de máquina geoespacial.
+ Use o Amazon SageMaker Processing e o contêiner SageMaker geoespacial para executar cargas de trabalho em grande escala com seus próprios conjuntos de dados, incluindo solo, clima, LiDAR e imagens comerciais aéreas e de satélite.
+ Execute um [trabalho de Observação da Terra](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-eoj.html) para processamento de dados raster.
+ Execute um [trabalho de enriquecimento de vetor](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-vej.html) para converter latitude e longitude em endereços legíveis por humanos e combinar traços de GPS ruidosos com estradas específicas.
+ Use [ferramentas de visualização integradas diretamente no Studio para visualizar de forma interativa dados geoespaciais ou predições de modelos em um mapa.](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-visualize.html)
Você também pode usar dados de uma coleção de provedores de dados geoespaciais. Atualmente, as coleções de dados disponíveis incluem:
+ [https://www.usgs.gov/centers/eros/data-citation?qt-science_support_page_related_con=0#qt-science_support_page_related_con](https://www.usgs.gov/centers/eros/data-citation?qt-science_support_page_related_con=0#qt-science_support_page_related_con)
+ [https://sentinels.copernicus.eu/documents/247904/690755/Sentinel_Data_Legal_Notice](https://sentinels.copernicus.eu/documents/247904/690755/Sentinel_Data_Legal_Notice)
+ [https://sentinel.esa.int/web/sentinel/missions/sentinel-2](https://sentinel.esa.int/web/sentinel/missions/sentinel-2)
+ [https://registry.opendata.aws/copernicus-dem/](https://registry.opendata.aws/copernicus-dem/)
+ [https://registry.opendata.aws/naip/](https://registry.opendata.aws/naip/)
## Você é um usuário de SageMaker geoespacial pela primeira vez?
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. Novos domínios criados após 30 de novembro de 2023 usam como padrão a experiência do Studio. O acesso à SageMaker área geoespacial é limitado ao Studio Classic, para saber mais, consulte[Acessando SageMaker geoespaciais](access-studio-classic-geospatial.md).
Se você é um usuário iniciante do AWS Amazon SageMaker AI, recomendamos que você faça o seguinte:
1. **Crie um Conta da AWS.**
Para saber mais sobre como configurar uma AWS conta e começar a usar a SageMaker IA, consulte[Pré-requisitos completos do Amazon SageMaker AI](gs-set-up.md).
1. **Crie uma função de usuário e uma função de execução que funcionem com SageMaker geoespacial**.
Como um serviço gerenciado, os recursos SageMaker geoespaciais da Amazon realizam operações em seu nome no AWS hardware que a SageMaker IA gerencia. Uma função de execução de SageMaker IA pode realizar somente as operações que os usuários concedem. Para trabalhar com recursos SageMaker geoespaciais, você deve configurar uma função de usuário e uma função de execução. Para obter mais informações, consulte [SageMaker funções de capacidades geoespaciais](sagemaker-geospatial-roles.md).
1. **Atualize sua política de confiança para incluir informações SageMaker geoespaciais**.
SageMaker geospatial define um principal de serviço adicional. Para saber como criar ou atualizar a política de confiança da sua função de execução de SageMaker IA, consulte[Adicionando o principal do serviço SageMaker geoespacial a uma função de execução de SageMaker IA existente](sagemaker-geospatial-roles-pass-role.md).
1. **Configure um domínio do Amazon SageMaker AI para acessar o Amazon SageMaker Studio Classic.**
Para usar SageMaker geoespacial, é necessário um domínio. Para domínios criados antes de 30 de novembro de 2023, a experiência padrão é o Studio Classic. domínios criados após 30 de novembro de 2023 usam como padrão a experiência Studio. Para saber mais sobre como acessar o Studio Classic a partir do Studio, consulte[Acessando SageMaker geoespaciais](access-studio-classic-geospatial.md).
1. **Lembre-se de fechar os recursos.**
Quando você terminar de usar os recursos SageMaker geoespaciais, desligue a instância em que ela é executada para evitar cobranças adicionais. Para obter mais informações, consulte [Encerre os recursos do Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md).
**Topics**
+ [Como posso usar os recursos SageMaker geoespaciais?](#how-use-geo)
+ [Você é um usuário de SageMaker geoespacial pela primeira vez?](#first-time-geospatial-data)
+ [Começando a usar a Amazon SageMaker Geospatial](geospatial-getting-started.md)
+ [Usando trabalhos de processamento para workloads geoespaciais personalizadas](geospatial-custom-operations.md)
+ [Trabalhos de observação da terra](geospatial-eoj.md)
+ [Trabalhos de enriquecimento de vetor](geospatial-vej.md)
+ [Visualização usando recursos SageMaker geoespaciais](geospatial-visualize.md)
+ [SDK de mapas SageMaker geoespaciais da Amazon](geospatial-notebook-sdk.md)
+ [SageMaker Perguntas frequentes sobre capacidades geoespaciais](geospatial-faq.md)
+ [SageMaker Segurança e permissões geoespaciais](geospatial-security-general.md)
+ [Tipos de instâncias de computação](geospatial-instances.md)
+ [Coleções de dados](geospatial-data-collections.md)
# Começando a usar a Amazon SageMaker Geospatial
SageMaker O geospatial fornece um **tipo de **imagem** e instância** criado especificamente para notebooks Amazon SageMaker Studio Classic. **Você pode usar notebooks habilitados para CPU ou GPU com a imagem SageMaker geoespacial.** Você também pode visualizar seus dados geoespaciais usando um visualizador criado especificamente. Além disso, o SageMaker setor geoespacial também permite APIs que você consulte coleções de dados rasterizados. Você também pode usar modelos pré-treinados para analisar dados geoespaciais, reverter a geocodificação e a correspondência de mapas.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. Se antes de 30 de novembro de 2023 você criou um domínio Amazon SageMaker AI, o Studio Classic continua sendo a experiência padrão. Os domínios criados após 30 de novembro de 2023 usam como padrão a nova experiência do Studio.
Para acessar e começar a usar o Amazon SageMaker Geospatial, faça o seguinte:
**Topics**
+ [Acessando SageMaker geoespaciais](access-studio-classic-geospatial.md)
+ [Crie um notebook Amazon SageMaker Studio Classic usando a imagem geoespacial](geospatial-launch-notebook.md)
+ [Acesse a coleta de dados raster do Sentinel-2 e crie um trabalho de observação da terra para realizar a segmentação da terra](geospatial-demo.md)
# Acessando SageMaker geoespaciais
**nota**
Atualmente, os recursos SageMaker geoespaciais são suportados somente na região Oeste dos EUA (Oregon) e no Studio Classic.
Se você não vê a interface SageMaker geoespacial disponível em sua instância atual do Studio Classic, verifique se você está atualmente na região Oeste dos EUA (Oregon).
É necessário um domínio para acessar a área SageMaker geoespacial. Se você criou um domínio antes de 30 de novembro de 2023, a experiência padrão é o Studio Classic.
Se você criou um domínio depois de 30 de novembro de 2023 ou se migrou para o Studio, você pode usar o procedimento a seguir para ativar o Studio Classic de dentro do Studio para usar recursos SageMaker geoespaciais.
Para saber mais sobre a criação de um domínio, consulte [Onboard to Amazon SageMaker AI domain](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html).
**Para acessar o Studio Classic a partir do Studio**
1. Inicie o Amazon SageMaker Studio.
1. Em **Aplicações**, escolha **Studio Classic**.
1. Em seguida, escolha **Criar espaço Studio Classic**.
1. Na página do **Criar espaço Studio Classic**, insira um **Nome**.
1. Desative a opção **Compartilhar com meu domínio**. SageMaker geospatial não está disponível em domínios compartilhados.
1. Em seguida, selecione **Criar espaço**.
Quando bem-sucedido, o **status** muda para **Atualização**. Quando sua aplicação do Studio Classic estiver pronto para ser usado, o status mudará para **Interrompido**.
Para iniciar sua aplicação Studio Classic, escolha **Executar**.
# Crie um notebook Amazon SageMaker Studio Classic usando a imagem geoespacial
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
**nota**
Atualmente, a SageMaker geoespacial só é suportada na região Oeste dos EUA (Oregon).
Se você não vê a SageMaker localização geoespacial disponível em seu domínio atual ou instância de notebook, verifique se você está atualmente na região Oeste dos EUA (Oregon).
Use o procedimento a seguir para criar o notebook Studio Classic com a imagem SageMaker geoespacial. Se sua experiência de estúdio padrão for o Studio, consulte [Acessando SageMaker geoespaciais](access-studio-classic-geospatial.md) para saber como iniciar uma aplicação Studio Classic.
**Para criar um notebook Studio Classic com a imagem SageMaker geoespacial**
1. Execute o Studio Classic
1. Escolha **Início** na barra de menu.
1. Em **Ações rápidas**, escolha **Abrir inicializador**.
1. Quando a caixa de diálogo **Inicializador** é exibida. Escolha **Alterar ambiente** em **Cadernos e recursos de computação**.
1. Quando a caixa de diálogo **Alterar ambiente** é aberta. Escolha a lista suspensa **Imagem** e escolha ou digite **Geoespacial 1.0**.
![\[Uma caixa de diálogo mostrando a imagem geoespacial correta e o tipo de instância selecionado.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/geospatial-environment-dialogue.png)
1. Em seguida, escolha um **tipo de instância** da lista suspensa.
SageMaker O geospatial suporta dois tipos de instâncias de notebook: CPU e GPU. A instância de CPU compatível é chamada **ml.geospatial.interactive**. Qualquer instância de GPU da família G5 pode ser usada com a imagem Geoespacial 1.0.
**nota**
Se você receber um ResourceLimitExceedederro ao tentar iniciar uma instância baseada em GPU, precisará solicitar um aumento de cota. Para iniciar uma solicitação de aumento da cota Service Quotas, consulte [Solicitar um aumento de cota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) no *Guia do usuário do Service Quotas*
1. Escolha **Selecionar**.
1. Escolha **Criar caderno**.
Depois de criar um notebook, para aprender mais sobre SageMaker geoespacial, experimente o tutorial [SageMaker geoespacial](geospatial-demo.md). Ele mostra como processar dados de imagem do Sentinel-2 e realizar a segmentação da terra usando a API de trabalhos de observação da terra.
# Acesse a coleta de dados raster do Sentinel-2 e crie um trabalho de observação da terra para realizar a segmentação da terra
Este tutorial baseado em Python usa o SDK para Python (Boto3) e um notebook Amazon Studio Classic. SageMaker Para concluir esta demonstração com sucesso, verifique se você tem as permissões AWS Identity and Access Management (IAM) necessárias para usar SageMaker geospatial e o Studio Classic. SageMaker geospatial exige que você tenha um usuário, grupo ou função que possa acessar o Studio Classic. Você também deve ter uma função de execução de SageMaker IA que especifique o principal do serviço SageMaker geoespacial `sagemaker-geospatial.amazonaws.com` em sua política de confiança.
Para saber mais sobre esses requisitos, consulte as [funções SageMaker geoespaciais do IAM](sagemaker-geospatial-roles.md).
Este tutorial mostra como usar a API SageMaker geoespacial para concluir as seguintes tarefas:
+ Encontre as coleções de dados raster disponíveis com `list_raster_data_collections`.
+ Pesquise uma coleção de dados raster especificada usando `search_raster_data_collection`.
+ Crie um trabalho de observação da terra (EOJ) usando o `start_earth_observation_job`.
## Usando `list_raster_data_collections` para encontrar coleções de dados disponíveis
SageMaker geospatial suporta várias coleções de dados raster. Para saber mais sobre as coleções de dados disponíveis, consulte [Coleções de dados](geospatial-data-collections.md).
Esta demonstração usa dados de satélite coletados de satélites [GeoTIFF Sentinel-2 otimizados para nuvem](https://registry.opendata.aws/sentinel-2-l2a-cogs/). Esses satélites fornecem cobertura global da superfície terrestre da terra a cada cinco dias. Além de coletar imagens da superfície da terra, os satélites Sentinel-2 também coletam dados em uma variedade de bandas espectrais.
Para pesquisar uma área de interesse (AOI), você precisa do ARN associado aos dados do satélite Sentinel-2. Para encontrar as coleções de dados disponíveis e as associadas às ARNs suas Região da AWS, use a operação da `list_raster_data_collections` API.
Como a resposta pode ser paginada, você deve usar a operação `get_paginator` para retornar todos os dados relevantes:
```
import boto3
import sagemaker
import sagemaker_geospatial_map
import json
## SageMaker Geospatial is currently only avaialable in US-WEST-2
session = boto3.Session(region_name='us-west-2')
execution_role = sagemaker.get_execution_role()
## Creates a SageMaker Geospatial client instance
geospatial_client = session.client(service_name="sagemaker-geospatial")
# Creates a resusable Paginator for the list_raster_data_collections API operation
paginator = geospatial_client.get_paginator("list_raster_data_collections")
# Create a PageIterator from the paginator class
page_iterator = paginator.paginate()
# Use the iterator to iterate throught the results of list_raster_data_collections
results = []
for page in page_iterator:
results.append(page['RasterDataCollectionSummaries'])
print(results)
```
Este é um exemplo de resposta JSON da operação de API `list_raster_data_collections`. É truncado para incluir somente a coleta de dados (Sentinel-2) usada neste exemplo de código. Para obter mais detalhes sobre uma coleta de dados raster específica, use `get_raster_data_collection`:
```
{
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"Description": "Sentinel-2a and Sentinel-2b imagery, processed to Level 2A (Surface Reflectance) and converted to Cloud-Optimized GeoTIFFs",
"DescriptionPageUrl": "https://registry.opendata.aws/sentinel-2-l2a-cogs",
"Name": "Sentinel 2 L2A COGs",
"SupportedFilters": [
{
"Maximum": 100,
"Minimum": 0,
"Name": "EoCloudCover",
"Type": "number"
},
{
"Maximum": 90,
"Minimum": 0,
"Name": "ViewOffNadir",
"Type": "number"
},
{
"Name": "Platform",
"Type": "string"
}
],
"Tags": {},
"Type": "PUBLIC"
}
```
Depois de executar a amostra de código anterior, você obtém o ARN da coleção de dados raster do Sentinel-2, `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`. Na [próxima seção](#demo-search-raster-data), você pode consultar a coleta de dados do Sentinel-2 usando a API `search_raster_data_collection`.
## Pesquisando a coleta de dados Sentinel-2 raster usando `search_raster_data_collection`
Na seção anterior, você costumava obter o ARN `list_raster_data_collections` para Sentinel-2 a coleta de dados. Agora você pode usar esse ARN para pesquisar a coleta de dados em uma determinada área de interesse (AOI), intervalo de tempo, propriedades e as bandas UV disponíveis.
Para chamar a API `search_raster_data_collection`, você deve passar um Python dicionário para o parâmetro `RasterDataCollectionQuery`. Este exemplo usa `AreaOfInterest`, `TimeRangeFilter`, `PropertyFilters` e `BandFilter`. Para facilitar, você pode especificar o dicionário Python usando a variável **search\$1rdc\$1query** para armazenar os parâmetros de consulta de pesquisa:
```
search_rdc_query = {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
# coordinates are input as longitute followed by latitude
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2022-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z"
},
"PropertyFilters": {
"Properties": [
{
"Property": {
"EoCloudCover": {
"LowerBound": 0,
"UpperBound": 1
}
}
}
],
"LogicalOperator": "AND"
},
"BandFilter": [
"visual"
]
}
```
Neste exemplo, você consulta um `AreaOfInterest` que inclui [Lake Mead](https://en.wikipedia.org/wiki/Lake_Mead), em Utah. Além disso, o Sentinel-2 é compatível com vários tipos de bandas de imagem. Para medir a mudança na superfície da água, você só precisa da faixa `visual`.
Depois de criar os parâmetros de consulta, você pode usar a API `search_raster_data_collection` para fazer a solicitação.
O exemplo de código a seguir implementa uma solicitação de API `search_raster_data_collection`. Essa API não oferece apoio à paginação usando a API `get_paginator`. Para garantir que a resposta completa da API tenha sido coletada, a amostra de código usa um loop `while` para verificar se `NextToken` existe. Em seguida, a amostra de código é usada `.extend()` para anexar a imagem de satélite URLs e outros metadados de resposta ao. `items_list`
Para saber mais sobre o`search_raster_data_collection`, consulte [SearchRasterDataCollection](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_SearchRasterDataCollection.html)a *Amazon SageMaker AI API Reference*.
```
search_rdc_response = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query
)
## items_list is the response from the API request.
items_list = []
## Use the python .get() method to check that the 'NextToken' exists, if null returns None breaking the while loop
while search_rdc_response.get('NextToken'):
items_list.extend(search_rdc_response['Items'])
search_rdc_response = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query, NextToken=search_rdc_response['NextToken']
)
## Print the number of observation return based on the query
print (len(items_list))
```
O exemplo a seguir é a resposta JSON parcial da sua consulta. Foi truncado para maior clareza. Somente o **"BandFilter": ["visual"]** especificado na solicitação é retornado no par de valores-chave `Assets`:
```
{
'Assets': {
'visual': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/6/S2A_15TUH_20220623_0_L2A/TCI.tif'
}
},
'DateTime': datetime.datetime(2022, 6, 23, 17, 22, 5, 926000, tzinfo = tzlocal()),
'Geometry': {
'Coordinates': [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
],
'Type': 'Polygon'
},
'Id': 'S2A_15TUH_20220623_0_L2A',
'Properties': {
'EoCloudCover': 0.046519,
'Platform': 'sentinel-2a'
}
}
```
Agora que você tem os resultados da consulta, na próxima seção, você pode visualizar os resultados usando o `matplotlib`. Isso serve para verificar se os resultados são da região geográfica correta.
## Visualizando seu `search_raster_data_collection` usando `matplotlib`
Antes de começar o trabalho de observação da terra (EOJ), você pode visualizar um resultado de nossa consulta com `matplotlib`. A amostra de código a seguir pega o primeiro item, `items_list[0]["Assets"]["visual"]["Href"]`, da variável `items_list` criada na amostra de código anterior e imprime uma imagem usando `matplotlib`.
```
# Visualize an example image.
import os
from urllib import request
import tifffile
import matplotlib.pyplot as plt
image_dir = "./images/lake_mead"
os.makedirs(image_dir, exist_ok=True)
image_dir = "./images/lake_mead"
os.makedirs(image_dir, exist_ok=True)
image_url = items_list[0]["Assets"]["visual"]["Href"]
img_id = image_url.split("/")[-2]
path_to_image = image_dir + "/" + img_id + "_TCI.tif"
response = request.urlretrieve(image_url, path_to_image)
print("Downloaded image: " + img_id)
tci = tifffile.imread(path_to_image)
plt.figure(figsize=(6, 6))
plt.imshow(tci)
plt.show()
```
Depois de verificar se os resultados estão na região geográfica correta, você pode iniciar o trabalho de observação da terra (EOJ) na próxima etapa. Você usa o EOJ para identificar os corpos d'água a partir das imagens de satélite usando um processo chamado segmentação terrestre.
## Iniciando um trabalho de observação da terra (EOJ) que realiza a segmentação da terra em uma série de imagens de satélite
SageMaker geospatial fornece vários modelos pré-treinados que você pode usar para processar dados geoespaciais de coleções de dados raster. Para saber mais sobre os modelos pré-treinados disponíveis e as operações personalizadas, consulte [Tipos de operações](geospatial-eoj-models.md).
Para calcular a mudança na área da superfície da água, você precisa identificar quais pixels nas imagens correspondem à água. A segmentação da cobertura da terra é um modelo de segmentação semântica compatível com a API `start_earth_observation_job`. Os modelos de segmentação semântica associam um rótulo a cada pixel em cada imagem. Nos resultados, cada pixel recebe um rótulo baseado no mapa de classes do modelo. A seguir está o mapa de classes para o modelo de segmentação de terras:
```
{
0: "No_data",
1: "Saturated_or_defective",
2: "Dark_area_pixels",
3: "Cloud_shadows",
4: "Vegetation",
5: "Not_vegetated",
6: "Water",
7: "Unclassified",
8: "Cloud_medium_probability",
9: "Cloud_high_probability",
10: "Thin_cirrus",
11: "Snow_ice"
}
```
Para iniciar um trabalho de observação da terra, use a API `start_earth_observation_job`. Ao enviar sua solicitação, você deve especificar o seguinte:
+ `InputConfig` (*dict*): Usado para especificar as coordenadas da área que você deseja pesquisar e outros metadados associados à sua pesquisa.
+ `JobConfig` (*dict*): Usado para especificar o tipo de operação EOJ que você executou nos dados. Este exemplo usa **LandCoverSegmentationConfig**.
+ `ExecutionRoleArn`(*string*) — O ARN da função de execução da SageMaker IA com as permissões necessárias para executar o trabalho.
+ `Name` (*string*): Um nome para o trabalho de observação da terra.
O `InputConfig` é um dicionário Python. Use a variável **eoj\$1input\$1config** a seguir para manter os parâmetros de consulta de pesquisa. Use essa variável ao fazer a solicitação de API `start_earth_observation_job`. w.
```
# Perform land cover segmentation on images returned from the Sentinel-2 dataset.
eoj_input_config = {
"RasterDataCollectionQuery": {
"RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates":[
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
}
}
```
O `JobConfig` é um dicionário Python usado para especificar a operação EOJ que você deseja realizar em seus dados:
```
eoj_config = {"LandCoverSegmentationConfig": {}}
```
Com os elementos do dicionário agora especificados, você pode enviar sua solicitação de API `start_earth_observation_job` usando o seguinte exemplo de código:
```
# Gets the execution role arn associated with current notebook instance
execution_role_arn = sagemaker.get_execution_role()
# Starts an earth observation job
response = sm_geo_client.start_earth_observation_job(
Name="lake-mead-landcover",
InputConfig=eoj_input_config,
JobConfig=eoj_config,
ExecutionRoleArn=execution_role_arn,
)
print(response)
```
O início de um trabalho de observação da terra retorna um ARN junto com outros metadados.
Para obter uma lista de todos os trabalhos de observação da terra em andamento e atuais, use a API `list_earth_observation_jobs`. Para monitorar o status de um único trabalho de observação da Terra, use a API `get_earth_observation_job`. Para fazer essa solicitação, use o ARN criado após enviar sua solicitação de EOJ. Para saber mais, consulte [GetEarthObservationJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_GetEarthObservationJob.html)a *Amazon SageMaker AI API Reference*.
Para encontrar o ARNs associado ao seu, EOJs use a operação `list_earth_observation_jobs` da API. Para saber mais, consulte [ListEarthObservationJobs](https://docs.aws.amazon.com//sagemaker/latest/APIReference/API_geospatial_ListEarthObservationJobs.html)a *Amazon SageMaker AI API Reference*.
```
# List all jobs in the account
sg_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]
```
O seguinte é um exemplo de resposta JSON:
```
{
'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/futg3vuq935t',
'CreationTime': datetime.datetime(2023, 10, 19, 4, 33, 54, 21481, tzinfo = tzlocal()),
'DurationInSeconds': 3493,
'Name': 'lake-mead-landcover',
'OperationType': 'LAND_COVER_SEGMENTATION',
'Status': 'COMPLETED',
'Tags': {}
}, {
'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/wu8j9x42zw3d',
'CreationTime': datetime.datetime(2023, 10, 20, 0, 3, 27, 270920, tzinfo = tzlocal()),
'DurationInSeconds': 1,
'Name': 'mt-shasta-landcover',
'OperationType': 'LAND_COVER_SEGMENTATION',
'Status': 'INITIALIZING',
'Tags': {}
}
```
Depois que o status de seu trabalho no EOJ mudar para `COMPLETED`, vá para a próxima seção para calcular a mudança na área da superfície do lago Mead's .
## Cálculo da mudança na área da superfície do Lago Mead
Para calcular a mudança na área de superfície do Lago Mead, primeiro exporte os resultados do EOJ para o Amazon S3 usando `export_earth_observation_job`:
```
sagemaker_session = sagemaker.Session()
s3_bucket_name = sagemaker_session.default_bucket() # Replace with your own bucket if needed
s3_bucket = session.resource("s3").Bucket(s3_bucket_name)
prefix = "export-lake-mead-eoj" # Replace with the S3 prefix desired
export_bucket_and_key = f"s3://{s3_bucket_name}/{prefix}/"
eoj_output_config = {"S3Data": {"S3Uri": export_bucket_and_key}}
export_response = sm_geo_client.export_earth_observation_job(
Arn="arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/7xgwzijebynp",
ExecutionRoleArn=execution_role_arn,
OutputConfig=eoj_output_config,
ExportSourceImages=False,
)
```
Para ver o status da exportação, use `get_earth_observation_job`:
```
export_job_details = sm_geo_client.get_earth_observation_job(Arn=export_response["Arn"])
```
Para calcular as mudanças no nível da água do Lago Mead, baixe as máscaras de cobertura da terra para a instância local do SageMaker notebook e baixe as imagens de origem da nossa consulta anterior. No mapa de classes do modelo de segmentação de terras, o índice de classes da água é 6.
Para extrair a máscara de água de uma imagem Sentinel-2, siga estas etapas. Primeiro, conte o número de pixels marcados como água (índice de classe 6) na imagem. Segundo, multiplique a contagem pela área que cada pixel cobre. As bandas podem diferir em sua resolução espacial. Para o modelo de segmentação da cobertura do solo, todas as faixas são obtidas como amostra para uma resolução espacial igual a 60 metros.
```
import os
from glob import glob
import cv2
import numpy as np
import tifffile
import matplotlib.pyplot as plt
from urllib.parse import urlparse
from botocore import UNSIGNED
from botocore.config import Config
# Download land cover masks
mask_dir = "./masks/lake_mead"
os.makedirs(mask_dir, exist_ok=True)
image_paths = []
for s3_object in s3_bucket.objects.filter(Prefix=prefix).all():
path, filename = os.path.split(s3_object.key)
if "output" in path:
mask_name = mask_dir + "/" + filename
s3_bucket.download_file(s3_object.key, mask_name)
print("Downloaded mask: " + mask_name)
# Download source images for visualization
for tci_url in tci_urls:
url_parts = urlparse(tci_url)
img_id = url_parts.path.split("/")[-2]
tci_download_path = image_dir + "/" + img_id + "_TCI.tif"
cogs_bucket = session.resource(
"s3", config=Config(signature_version=UNSIGNED, region_name="us-west-2")
).Bucket(url_parts.hostname.split(".")[0])
cogs_bucket.download_file(url_parts.path[1:], tci_download_path)
print("Downloaded image: " + img_id)
print("Downloads complete.")
image_files = glob("images/lake_mead/*.tif")
mask_files = glob("masks/lake_mead/*.tif")
image_files.sort(key=lambda x: x.split("SQA_")[1])
mask_files.sort(key=lambda x: x.split("SQA_")[1])
overlay_dir = "./masks/lake_mead_overlay"
os.makedirs(overlay_dir, exist_ok=True)
lake_areas = []
mask_dates = []
for image_file, mask_file in zip(image_files, mask_files):
image_id = image_file.split("/")[-1].split("_TCI")[0]
mask_id = mask_file.split("/")[-1].split(".tif")[0]
mask_date = mask_id.split("_")[2]
mask_dates.append(mask_date)
assert image_id == mask_id
image = tifffile.imread(image_file)
image_ds = cv2.resize(image, (1830, 1830), interpolation=cv2.INTER_LINEAR)
mask = tifffile.imread(mask_file)
water_mask = np.isin(mask, [6]).astype(np.uint8) # water has a class index 6
lake_mask = water_mask[1000:, :1100]
lake_area = lake_mask.sum() * 60 * 60 / (1000 * 1000) # calculate the surface area
lake_areas.append(lake_area)
contour, _ = cv2.findContours(water_mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
combined = cv2.drawContours(image_ds, contour, -1, (255, 0, 0), 4)
lake_crop = combined[1000:, :1100]
cv2.putText(lake_crop, f"{mask_date}", (10,50), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA)
cv2.putText(lake_crop, f"{lake_area} [sq km]", (10,100), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA)
overlay_file = overlay_dir + '/' + mask_date + '.png'
cv2.imwrite(overlay_file, cv2.cvtColor(lake_crop, cv2.COLOR_RGB2BGR))
# Plot water surface area vs. time.
plt.figure(figsize=(20,10))
plt.title('Lake Mead surface area for the 2021.02 - 2022.07 period.', fontsize=20)
plt.xticks(rotation=45)
plt.ylabel('Water surface area [sq km]', fontsize=14)
plt.plot(mask_dates, lake_areas, marker='o')
plt.grid('on')
plt.ylim(240, 320)
for i, v in enumerate(lake_areas):
plt.text(i, v+2, "%d" %v, ha='center')
plt.show()
```
Usando `matplotlib`, você pode visualizar os resultados com um gráfico. O gráfico mostra que a área da superfície do Lago Mead diminuiu de janeiro de 2021 a julho de 2022.
![\[Um gráfico de barras mostrando a área da superfície do Lago Mead diminuiu de janeiro de 2021 a julho de 2022\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/lake-mead-decrease.png)
# Usando trabalhos de processamento para workloads geoespaciais personalizadas
Com o [Amazon SageMaker Processing](processing-job.md), você pode usar uma experiência simplificada e gerenciada em SageMaker IA para executar suas cargas de trabalho de processamento de dados com o contêiner geoespacial criado especificamente.
A infraestrutura subjacente para um trabalho SageMaker de processamento da Amazon é totalmente gerenciada pela SageMaker IA. Durante um trabalho de processamento, os recursos do cluster são provisionados para a duração do seu trabalho e limpos quando um trabalho é concluído.
![\[Execução de um trabalho de processamento.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/Processing-1.png)
O diagrama anterior mostra como a SageMaker IA acelera um trabalho de processamento geoespacial. SageMaker A IA pega seu script de carga de trabalho geoespacial, copia seus dados geoespaciais do Amazon Simple Storage Service (Amazon S3) e, em seguida, extrai o contêiner geoespacial especificado. A infraestrutura subjacente para o trabalho de processamento é totalmente gerenciada pela SageMaker IA. Os recursos do cluster são provisionados para a duração do seu trabalho e limpos quando um trabalho é concluído. A saída do trabalho de processamento é armazenada no bucket que você especificar.
**Restrições de nomenclatura de path**
Os caminhos locais dentro de um contêiner de trabalhos de processamento devem começar com **/opt/ml/processing/**.
SageMaker geospatial fornece um contêiner criado especificamente, `081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest` que pode ser especificado ao executar um trabalho de processamento.
**Topics**
+ [Visão geral: Execute trabalhos de processamento usando `ScriptProcessor` um SageMaker contêiner geoespacial](geospatial-custom-operations-overview.md)
+ [Usando `ScriptProcessor` para calcular o Índice de Vegetação por Diferença Normalizada (NDVI) usando dados do satélite Sentinel-2](geospatial-custom-operations-procedure.md)
# Visão geral: Execute trabalhos de processamento usando `ScriptProcessor` um SageMaker contêiner geoespacial
SageMaker geospatial fornece um contêiner de processamento específico,. `081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest` Você pode usar esse contêiner ao executar um trabalho com o Amazon SageMaker Processing. Ao criar uma instância da [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor)classe que está disponível por meio do *Amazon SageMaker Python SDK for Processing*, especifique isso. `image_uri`
**nota**
Se você receber um ResourceLimitExceedederro ao tentar iniciar um trabalho de processamento, precisará solicitar um aumento de cota. Para iniciar uma solicitação de aumento da cota Service Quotas, consulte [Solicitar um aumento de cota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) no *Guia do usuário do Service Quotas*
**Pré-requisitos para usar o `ScriptProcessor`**
1. Você criou um script Python que especifica sua workload geoespacial de ML.
1. Você concedeu à função de execução de SageMaker IA acesso a todos os buckets do Amazon S3 necessários.
1. Prepare seus dados para importação no contêiner. Os trabalhos SageMaker de processamento da Amazon oferecem suporte à definição de `s3_data_type` igual `"ManifestFile"` ou igual a`"S3Prefix"`.
O procedimento a seguir mostra como criar uma instância `ScriptProcessor` e enviar um trabalho de SageMaker processamento da Amazon usando o contêiner SageMaker geoespacial.
**Para criar uma `ScriptProcessor` instância e enviar um trabalho de SageMaker processamento da Amazon usando um contêiner SageMaker geoespacial**
1. Instancie uma instância da `ScriptProcessor` classe usando a imagem SageMaker geoespacial:
```
from sagemaker.processing import ScriptProcessor, ProcessingInput, ProcessingOutput
sm_session = sagemaker.session.Session()
execution_role_arn = sagemaker.get_execution_role()
# purpose-built geospatial container
image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest'
script_processor = ScriptProcessor(
command=['python3'],
image_uri=image_uri,
role=execution_role_arn,
instance_count=4,
instance_type='ml.m5.4xlarge',
sagemaker_session=sm_session
)
```
*execution\$1role\$1arn*Substitua pelo ARN da função de execução de SageMaker IA que tem acesso aos dados de entrada armazenados no Amazon S3 e em qualquer AWS outro serviço que você queira chamar em seu trabalho de processamento. Você pode atualizar o `instance_count` e o `instance_type` para atender aos requisitos do seu trabalho de processamento.
1. Para iniciar um trabalho de processamento, use o método `.run()`:
```
# Can be replaced with any S3 compliant string for the name of the folder.
s3_folder = geospatial-data-analysis
# Use .default_bucket() to get the name of the S3 bucket associated with your current SageMaker session
s3_bucket = sm_session.default_bucket()
s3_manifest_uri = f's3://{s3_bucket}/{s3_folder}/manifest.json'
s3_prefix_uri = f's3://{s3_bucket}/{s3_folder}/image-prefix
script_processor.run(
code='preprocessing.py',
inputs=[
ProcessingInput(
source=s3_manifest_uri | s3_prefix_uri ,
destination='/opt/ml/processing/input_data/',
s3_data_type= "ManifestFile" | "S3Prefix",
s3_data_distribution_type= "ShardedByS3Key" | "FullyReplicated"
)
],
outputs=[
ProcessingOutput(
source='/opt/ml/processing/output_data/',
destination=s3_output_prefix_url
)
]
)
```
+ *preprocessing.py*Substitua pelo nome do seu próprio script de processamento de dados em Python.
+ Um trabalho de processamento oferece apoio a dois métodos para formatar seus dados de entrada. Você pode criar um arquivo manifesto que aponte para todos os dados de entrada do seu trabalho de processamento ou usar um prefixo comum em cada entrada de dados individual. Se você criou um conjunto de arquivos de manifesto `s3_manifest_uri` igual a `"ManifestFile"`. Se você usou um prefixo do arquivo definido `s3_manifest_uri` igual a `"S3Prefix"`. Você especifica o caminho para seus dados usando `source`.
+ Você pode distribuir os dados da tarefa de processamento de duas maneiras:
+ Distribua seus dados para todas as instâncias de processamento definindo `s3_data_distribution_type` igual a `FullyReplicated`.
+ Distribua seus dados em fragmentos com base na chave Amazon S3 definindo `s3_data_distribution_type` igual a `ShardedByS3Key`. Quando você usa `ShardedByS3Key`, um fragmento de dados é enviado para cada instância de processamento.
Você pode usar um script para processar dados SageMaker geoespaciais. Esse script pode ser encontrado na [Etapa 3: Escrevendo um script que possa calcular o NDVI](geospatial-custom-operations-procedure.md#geospatial-custom-operations-script-mode). Para saber mais sobre a operação da `.run()` API, consulte [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run)o *Amazon SageMaker Python SDK* for Processing.
Para monitorar o progresso do seu trabalho de processamento, a classe `ProcessingJobs` oferece apoio a um método [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe). Esse método retorna uma resposta da chamada de API `DescribeProcessingJob`. Para saber mais, consulte [`DescribeProcessingJob`a *Amazon SageMaker AI API Reference*](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeProcessingJob.html).
O próximo tópico mostra como criar uma instância da `ScriptProcessor` classe usando o contêiner SageMaker geoespacial e, em seguida, como usá-lo para calcular o Índice de Vegetação por Diferença Normalizada (NDVI) com imagens. Sentinel-2
# Usando `ScriptProcessor` para calcular o Índice de Vegetação por Diferença Normalizada (NDVI) usando dados do satélite Sentinel-2
Os exemplos de código a seguir mostram como calcular o índice de vegetação de diferença normalizada de uma área geográfica específica usando a imagem geoespacial criada especificamente em um notebook Studio Classic e executar uma carga de trabalho em grande escala com o Amazon Processing SageMaker usando o SDK AI Python. [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor) SageMaker
Essa demonstração também usa uma instância de notebook Amazon SageMaker Studio Classic que usa o kernel geoespacial e o tipo de instância. Para saber como criar uma instância de cadernos geoespaciais do Studio Classic, consulte [Crie um notebook Amazon SageMaker Studio Classic usando a imagem geoespacial](geospatial-launch-notebook.md).
Você pode acompanhar essa demonstração em sua própria instância de caderno copiando e colando os seguintes trechos de código:
1. [Use `search_raster_data_collection` para consultar uma área específica de interesse (AOI) em um determinado intervalo de tempo usando uma coleção de dados raster específica, Sentinel-2.](#geospatial-custom-operations-procedure-search)
1. [Crie um arquivo manifesto que especifique quais dados serão processados durante o trabalho de processamento.](#geospatial-custom-operations-procedure-manifest)
1. [Escreva um script Python de processamento de dados calculando o NDVI.](#geospatial-custom-operations-script-mode)
1. [Crie uma `ScriptProcessor` instância e inicie o trabalho SageMaker de processamento da Amazon](#geospatial-custom-operations-create).
1. [Visualizando os resultados do seu trabalho de processamento.](#geospatial-custom-operations-visual)
## Consultar a coleta de dados raster Sentinel-2 usando `SearchRasterDataCollection`
Com `search_raster_data_collection` você pode consultar coleções de dados raster compatíveis. Este exemplo usa dados extraídos dos satélites Sentinel-2. A área de interesse (`AreaOfInterest`) especificada é a zona rural do norte de Iowa, e o intervalo de tempo (`TimeRangeFilter`) é de 1º de janeiro de 2022 a 30 de dezembro de 2022. Para ver as coleções de dados raster disponíveis em seu Região da AWS use `list_raster_data_collections`. Para ver um exemplo de código usando essa API, consulte [`ListRasterDataCollections`](geospatial-data-collections.md)o *Amazon SageMaker AI Developer Guide*.
Nos exemplos de código a seguir, você usa o ARN associado à coleta de dados raster do Sentinel-2, `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`.
Uma solicitação de API `search_raster_data_collection` requer dois parâmetros:
+ Você precisa especificar um parâmetro `Arn` que corresponda à coleção de dados raster que você deseja consultar.
+ Você também precisa especificar um parâmetro `RasterDataCollectionQuery`, que usa um dicionário Python.
O exemplo de código a seguir contém os pares de valores-chave necessários para o parâmetro `RasterDataCollectionQuery` salvo na variável `search_rdc_query`.
```
search_rdc_query = {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [[
[
-94.50938680498298,
43.22487436936203
],
[
-94.50938680498298,
42.843474642037194
],
[
-93.86520004156142,
42.843474642037194
],
[
-93.86520004156142,
43.22487436936203
],
[
-94.50938680498298,
43.22487436936203
]
]]
}
}
},
"TimeRangeFilter": {"StartTime": "2022-01-01T00:00:00Z", "EndTime": "2022-12-30T23:59:59Z"}
}
```
Para fazer a solicitação `search_raster_data_collection`, você deve especificar o ARN da coleção de dados raster Sentinel-2: `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`. Você também precisa passar o dicionário Python que foi definido anteriormente, que especifica os parâmetros de consulta.
```
## Creates a SageMaker Geospatial client instance
sm_geo_client= session.create_client(service_name="sagemaker-geospatial")
search_rdc_response1 = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query
)
```
Os resultados dessa API não podem ser paginados. Para coletar todas as imagens de satélite retornadas pela operação `search_raster_data_collection`, você pode implementar um loop `while`. Isso é verificado para `NextToken` na resposta da API:
```
## Holds the list of API responses from search_raster_data_collection
items_list = []
while search_rdc_response1.get('NextToken') and search_rdc_response1['NextToken'] != None:
items_list.extend(search_rdc_response1['Items'])
search_rdc_response1 = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query,
NextToken=search_rdc_response1['NextToken']
)
```
A resposta da API retorna uma lista URLs abaixo da `Assets` chave correspondente a faixas de imagem específicas. Veja a seguir uma versão truncada da resposta da API. Algumas das faixas da imagem foram removidas para maior clareza.
```
{
'Assets': {
'aot': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/12/S2A_15TUH_20221230_0_L2A/AOT.tif'
},
'blue': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/12/S2A_15TUH_20221230_0_L2A/B02.tif'
},
'swir22-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/B12.jp2'
},
'visual-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/TCI.jp2'
},
'wvp-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/WVP.jp2'
}
},
'DateTime': datetime.datetime(2022, 12, 30, 17, 21, 52, 469000, tzinfo = tzlocal()),
'Geometry': {
'Coordinates': [
[
[-95.46676936182894, 43.32623760511659],
[-94.11293433656887, 43.347431265475954],
[-94.09532154452742, 42.35884880571144],
[-95.42776890002203, 42.3383710796791],
[-95.46676936182894, 43.32623760511659]
]
],
'Type': 'Polygon'
},
'Id': 'S2A_15TUH_20221230_0_L2A',
'Properties': {
'EoCloudCover': 62.384969,
'Platform': 'sentinel-2a'
}
}
```
Na [próxima seção](#geospatial-custom-operations-procedure-manifest), você cria um arquivo manifesto usando a chave `'Id'` da resposta da API.
## Crie um arquivo manifesto de entrada usando a chave `Id` da resposta da API `search_raster_data_collection`
Ao executar um trabalho de processamento, você deve especificar uma entrada de dados do Amazon S3. O tipo de dados de entrada pode ser um arquivo manifesto, que então aponta para os arquivos de dados individuais. Você também pode adicionar um prefixo a cada arquivo que você deseja processar. O exemplo de código a seguir define a pasta na qual seus arquivos manifesto serão gerados.
Use o SDK for Python (Boto3) para obter o bucket padrão e o ARN da função de execução associada à sua instância de caderno Studio:
```
sm_session = sagemaker.session.Session()
s3 = boto3.resource('s3')
# Gets the default excution role associated with the notebook
execution_role_arn = sagemaker.get_execution_role()
# Gets the default bucket associated with the notebook
s3_bucket = sm_session.default_bucket()
# Can be replaced with any name
s3_folder = "script-processor-input-manifest"
```
Em seguida, você cria um arquivo manifesto. Ele conterá as imagens URLs de satélite que você deseja processar ao executar seu trabalho de processamento posteriormente na etapa 4.
```
# Format of a manifest file
manifest_prefix = {}
manifest_prefix['prefix'] = 's3://' + s3_bucket + '/' + s3_folder + '/'
manifest = [manifest_prefix]
print(manifest)
```
O exemplo de código a seguir retorna o URI do S3 em que seus arquivos manifesto serão criados.
```
[{'prefix': 's3://sagemaker-us-west-2-111122223333/script-processor-input-manifest/'}]
```
Todos os elementos de resposta da resposta search\$1raster\$1data\$1collection não são necessários para executar a tarefa de processamento.
O trecho de código a seguir remove os elementos desnecessários `'Properties'`, `'Geometry'` e `'DateTime'`. O par de valores-chave `'Id'`, `'Id': 'S2A_15TUH_20221230_0_L2A'`, contém o ano e o mês. O exemplo de código a seguir analisa esses dados para criar novas chaves no dicionário Python **dict\$1month\$1items**. Os valores são os ativos retornados da consulta `SearchRasterDataCollection`.
```
# For each response get the month and year, and then remove the metadata not related to the satelite images.
dict_month_items = {}
for item in items_list:
# Example ID being split: 'S2A_15TUH_20221230_0_L2A'
yyyymm = item['Id'].split("_")[2][:6]
if yyyymm not in dict_month_items:
dict_month_items[yyyymm] = []
# Removes uneeded metadata elements for this demo
item.pop('Properties', None)
item.pop('Geometry', None)
item.pop('DateTime', None)
# Appends the response from search_raster_data_collection to newly created key above
dict_month_items[yyyymm].append(item)
```
Este exemplo de código carrega o `dict_month_items` para o Amazon S3 como um objeto JSON usando a operação de API [https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/s3/client/upload_file.html](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/s3/client/upload_file.html):
```
## key_ is the yyyymm timestamp formatted above
## value_ is the reference to all the satellite images collected via our searchRDC query
for key_, value_ in dict_month_items.items():
filename = f'manifest_{key_}.json'
with open(filename, 'w') as fp:
json.dump(value_, fp)
s3.meta.client.upload_file(filename, s3_bucket, s3_folder + '/' + filename)
manifest.append(filename)
os.remove(filename)
```
Esse exemplo de código carrega um arquivo principal `manifest.json` que aponta para todos os outros manifestos enviados para o Amazon S3. Também salva o caminho para uma variável local: **s3\$1manifest\$1uri**. Você usará essa variável novamente para especificar a origem dos dados de entrada ao executar o trabalho de processamento na etapa 4.
```
with open('manifest.json', 'w') as fp:
json.dump(manifest, fp)
s3.meta.client.upload_file('manifest.json', s3_bucket, s3_folder + '/' + 'manifest.json')
os.remove('manifest.json')
s3_manifest_uri = f's3://{s3_bucket}/{s3_folder}/manifest.json'
```
Agora que você criou os arquivos manifesto de entrada e os carregou, você pode escrever um script que processe seus dados na tarefa de processamento. Ele processa os dados das imagens de satélite, calcula o NDVI e, em seguida, retorna os resultados para um local diferente do Amazon S3.
## Escreva um script que calcule o NDVI
O Amazon SageMaker Studio Classic suporta o uso do comando `%%writefile` cell magic. Depois de executar uma célula com esse comando, seu conteúdo será salvo no diretório local do Studio Classic. Esse é um código específico para calcular o NDVI. No entanto, o seguinte pode ser útil quando você escreve seu próprio script para uma tarefa de processamento:
+ Em seu contêiner de trabalho de processamento, os caminhos locais dentro do contêiner devem começar com `/opt/ml/processing/`. Neste exemplo, **input\$1data\$1path = '/opt/ml/processing/input\$1data/' ** e **processed\$1data\$1path = '/opt/ml/processing/output\$1data/'** são especificados dessa forma.
+ Com o Amazon SageMaker Processing, um script executado por uma tarefa de processamento pode carregar seus dados processados diretamente para o Amazon S3. Para fazer isso, certifique-se de que o perfil de execução associada à sua instância `ScriptProcessor` tenha os requisitos necessários para acessar o bucket do S3. Você também pode especificar um parâmetro de saídas ao executar seu trabalho de processamento. Para saber mais, consulte a [operação da `.run()` API](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run) no SDK do *Amazon SageMaker Python*. Neste exemplo de código, os resultados do processamento de dados são carregados diretamente para o Amazon S3.
+ Para gerenciar o tamanho da Amazon EBScontainer anexada ao seu processamento, use o `volume_size_in_gb` parâmetro. O tamanho padrão dos contêineres é 30 GB. Opcionalmente, você também pode usar [Coleta de resíduos](https://docs.python.org/3/library/gc.html) da biblioteca Python para gerenciar o armazenamento em seu contêiner do Amazon EBS.
O exemplo de código a seguir carrega as matrizes no contêiner do trabalho de processamento. Quando as matrizes se acumulam e preenchem a memória, a tarefa de processamento falha. Para evitar essa falha, o exemplo a seguir contém comandos que removem as matrizes do contêiner do trabalho de processamento.
```
%%writefile compute_ndvi.py
import os
import pickle
import sys
import subprocess
import json
import rioxarray
if __name__ == "__main__":
print("Starting processing")
input_data_path = '/opt/ml/processing/input_data/'
input_files = []
for current_path, sub_dirs, files in os.walk(input_data_path):
for file in files:
if file.endswith(".json"):
input_files.append(os.path.join(current_path, file))
print("Received {} input_files: {}".format(len(input_files), input_files))
items = []
for input_file in input_files:
full_file_path = os.path.join(input_data_path, input_file)
print(full_file_path)
with open(full_file_path, 'r') as f:
items.append(json.load(f))
items = [item for sub_items in items for item in sub_items]
for item in items:
red_uri = item["Assets"]["red"]["Href"]
nir_uri = item["Assets"]["nir"]["Href"]
red = rioxarray.open_rasterio(red_uri, masked=True)
nir = rioxarray.open_rasterio(nir_uri, masked=True)
ndvi = (nir - red)/ (nir + red)
file_name = 'ndvi_' + item["Id"] + '.tif'
output_path = '/opt/ml/processing/output_data'
output_file_path = f"{output_path}/{file_name}"
ndvi.rio.to_raster(output_file_path)
print("Written output:", output_file_path)
```
Agora você tem um script que pode calcular o NDVI. Em seguida, você pode criar uma instância do ScriptProcessor e executar sua tarefa de processamento.
## Criando uma instância da classe `ScriptProcessor`
Esta demonstração usa a [ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor)classe que está disponível por meio do SDK do Amazon SageMaker Python. Primeiro, você precisa criar uma instância da classe e, em seguida, iniciar seu trabalho de processamento usando o método `.run()`.
```
from sagemaker.processing import ScriptProcessor, ProcessingInput, ProcessingOutput
image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest'
processor = ScriptProcessor(
command=['python3'],
image_uri=image_uri,
role=execution_role_arn,
instance_count=4,
instance_type='ml.m5.4xlarge',
sagemaker_session=sm_session
)
print('Starting processing job.')
```
Ao iniciar seu trabalho de processamento, você precisa especificar um objeto [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingInput](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingInput). Nesse objeto, você especifica o seguinte:
+ O caminho para o arquivo manifesto que você criou na etapa 2, **s3\$1manifest\$1uri**. Essa é a fonte dos dados de entrada para o contêiner.
+ O caminho para onde você deseja que os dados de entrada sejam salvos no contêiner. Isso deve corresponder ao caminho que você especificou em seu script.
+ Use o parâmetro `s3_data_type` para especificar a entrada como `"ManifestFile"`.
```
s3_output_prefix_url = f"s3://{s3_bucket}/{s3_folder}/output"
processor.run(
code='compute_ndvi.py',
inputs=[
ProcessingInput(
source=s3_manifest_uri,
destination='/opt/ml/processing/input_data/',
s3_data_type="ManifestFile",
s3_data_distribution_type="ShardedByS3Key"
),
],
outputs=[
ProcessingOutput(
source='/opt/ml/processing/output_data/',
destination=s3_output_prefix_url,
s3_upload_mode="Continuous"
)
]
)
```
O exemplo de código a seguir usa o [método `.describe()`](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe) para obter detalhes do seu trabalho de processamento.
```
preprocessing_job_descriptor = processor.jobs[-1].describe()
s3_output_uri = preprocessing_job_descriptor["ProcessingOutputConfig"]["Outputs"][0]["S3Output"]["S3Uri"]
print(s3_output_uri)
```
## Visualizando seus resultados usando `matplotlib`
Com a biblioteca [Matplotlib](https://matplotlib.org/stable/index.html) Python, você pode traçar dados raster. Antes de traçar os dados, você precisa calcular o NDVI usando imagens de amostra dos satélites Sentinel-2. O exemplo de código a seguir abre as matrizes de imagens usando a operação de API `.open_rasterio()` e, em seguida, calcula o NDVI usando as bandas de imagem `nir` e `red` dos dados do satélite Sentinel-2.
```
# Opens the python arrays
import rioxarray
red_uri = items[25]["Assets"]["red"]["Href"]
nir_uri = items[25]["Assets"]["nir"]["Href"]
red = rioxarray.open_rasterio(red_uri, masked=True)
nir = rioxarray.open_rasterio(nir_uri, masked=True)
# Calculates the NDVI
ndvi = (nir - red)/ (nir + red)
# Common plotting library in Python
import matplotlib.pyplot as plt
f, ax = plt.subplots(figsize=(18, 18))
ndvi.plot(cmap='viridis', ax=ax)
ax.set_title("NDVI for {}".format(items[25]["Id"]))
ax.set_axis_off()
plt.show()
```
A saída do exemplo de código anterior é uma imagem de satélite com os valores de NDVI sobrepostos nela. Um valor de NDVI próximo a 1 indica que muita vegetação está presente e valores próximos a 0 indicam que nenhuma vegetação está presente.
![\[Uma imagem de satélite do norte de Iowa com o NDVI sobreposto na parte superior\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/ndvi-iowa.png)
Isso conclui a demonstração do uso de `ScriptProcessor`.
# Trabalhos de observação da terra
Usando um trabalho de observação da terra (EOJ), você pode adquirir, transformar e visualizar dados geoespaciais para fazer predições. Você pode escolher uma operação com base no seu caso de uso a partir de uma ampla variedade de operações e modelos. Você tem a flexibilidade de escolher sua área de interesse, selecionar os provedores de dados e definir cloud-cover-percentage-based filtros e intervalos de tempo. Depois que a SageMaker IA criar um EOJ para você, você poderá visualizar as entradas e saídas do trabalho usando a funcionalidade de visualização. Um EOJ tem vários casos de uso que incluem comparar o desmatamento ao longo do tempo e diagnosticar a integridade das plantas. Você pode criar um EOJ usando um SageMaker notebook com uma imagem SageMaker geoespacial. Você também pode acessar a interface SageMaker geoespacial como parte da interface do usuário do Amazon SageMaker Studio Classic para ver a lista de todos os seus trabalhos. Você também pode usar a interface do usuário para pausar ou interromper um trabalho em andamento. Você pode escolher um trabalho na lista de EOJ disponíveis para ver o **resumo do trabalho**, os **detalhes do trabalho**, bem como visualizar a **saída do trabalho**.
**Topics**
+ [Crie um Job de observação da Terra usando um notebook Amazon SageMaker Studio Classic com uma imagem SageMaker geoespacial](geospatial-eoj-ntb.md)
+ [Tipos de operações](geospatial-eoj-models.md)
# Crie um Job de observação da Terra usando um notebook Amazon SageMaker Studio Classic com uma imagem SageMaker geoespacial
**Para usar um notebook SageMaker Studio Classic com uma imagem SageMaker geoespacial:**
1. No **Inicializador**, escolha **Alterar ambiente** em **Cadernos e recursos de computação**.
1. Em seguida, o diálogo **Alterar ambiente** é aberto.
1. Selecione a lista suspensa **Imagem** e escolha ou **Geoespacial 1.0**. O **tipo de instância** deve ser **ml.geospatial.interactive.** Não altere os valores padrão das outras configurações.
1. Escolha **Selecionar**.
1. Escolha **Criar caderno**.
Você pode iniciar um EOJ usando um notebook Amazon SageMaker Studio Classic com uma imagem SageMaker geoespacial usando o código fornecido abaixo.
```
import boto3
import sagemaker
import sagemaker_geospatial_map
session = boto3.Session()
execution_role = sagemaker.get_execution_role()
sg_client = session.client(service_name="sagemaker-geospatial")
```
O exemplo a seguir mostra como criar um EOJ na região Oeste dos EUA (Oregon).
```
#Query and Access Data
search_rdc_args = {
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", # sentinel-2 L2A COG
"RasterDataCollectionQuery": {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
"BandFilter": ["visual"],
},
}
tci_urls = []
data_manifests = []
while search_rdc_args.get("NextToken", True):
search_result = sg_client.search_raster_data_collection(**search_rdc_args)
if search_result.get("NextToken"):
data_manifests.append(search_result)
for item in search_result["Items"]:
tci_url = item["Assets"]["visual"]["Href"]
print(tci_url)
tci_urls.append(tci_url)
search_rdc_args["NextToken"] = search_result.get("NextToken")
# Perform land cover segmentation on images returned from the sentinel dataset.
eoj_input_config = {
"RasterDataCollectionQuery": {
"RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
}
}
eoj_config = {"LandCoverSegmentationConfig": {}}
response = sg_client.start_earth_observation_job(
Name="lake-mead-landcover",
InputConfig=eoj_input_config,
JobConfig=eoj_config,
ExecutionRoleArn=execution_role,
)
```
Depois que seu EOJ for criado, o `Arn` será devolvido a você. Você usa o `Arn` para identificar um trabalho e realizar outras operações. Para obter o status de uma tarefa, você pode executar `sg_client.get_earth_observation_job(Arn = response['Arn'])`.
O exemplo a seguir mostra como consultar o status de um EOJ até que seja concluído.
```
eoj_arn = response["Arn"]
job_details = sg_client.get_earth_observation_job(Arn=eoj_arn)
{k: v for k, v in job_details.items() if k in ["Arn", "Status", "DurationInSeconds"]}
# List all jobs in the account
sg_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]
```
Depois que o EOJ for concluído, você poderá visualizar as saídas do EOJ diretamente no caderno. O exemplo a seguir mostra como um mapa interativo pode ser renderizado.
```
map = sagemaker_geospatial_map.create_map({
'is_raster': True
})
map.set_sagemaker_geospatial_client(sg_client)
# render the map
map.render()
```
O exemplo a seguir mostra como o mapa pode ser centralizado em uma área de interesse e a entrada e saída do EOJ podem ser renderizadas como camadas separadas dentro do mapa.
```
# visualize the area of interest
config = {"label": "Lake Mead AOI"}
aoi_layer = map.visualize_eoj_aoi(Arn=eoj_arn, config=config)
# Visualize input.
time_range_filter = {
"start_date": "2022-07-01T00:00:00Z",
"end_date": "2022-07-10T23:59:59Z",
}
config = {"label": "Input"}
input_layer = map.visualize_eoj_input(
Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)
# Visualize output, EOJ needs to be in completed status.
time_range_filter = {
"start_date": "2022-07-01T00:00:00Z",
"end_date": "2022-07-10T23:59:59Z",
}
config = {"preset": "singleBand", "band_name": "mask"}
output_layer = map.visualize_eoj_output(
Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)
```
Você pode usar a função `export_earth_observation_job` para exportar os resultados do EOJ para o bucket do Amazon S3. A função de exportação facilita o compartilhamento dos resultados entre as equipes. SageMaker A IA também simplifica o gerenciamento de conjuntos de dados. Podemos simplesmente compartilhar os resultados do EOJ usando o ARN do trabalho, em vez de realizar crawling em milhares de arquivos no bucket do S3. Cada EOJ se torna um ativo no catálogo de dados, pois os resultados podem ser agrupados por ARN do trabalho. O exemplo a seguir mostra como exportar os resultados de um EOJ.
```
sagemaker_session = sagemaker.Session()
s3_bucket_name = sagemaker_session.default_bucket() # Replace with your own bucket if needed
s3_bucket = session.resource("s3").Bucket(s3_bucket_name)
prefix = "eoj_lakemead" # Replace with the S3 prefix desired
export_bucket_and_key = f"s3://{s3_bucket_name}/{prefix}/"
eoj_output_config = {"S3Data": {"S3Uri": export_bucket_and_key}}
export_response = sg_client.export_earth_observation_job(
Arn=eoj_arn,
ExecutionRoleArn=execution_role,
OutputConfig=eoj_output_config,
ExportSourceImages=False,
)
```
Monitore o status da tarefa de exportação usando o seguinte trecho de código:
```
# Monitor the export job status
export_job_details = sg_client.get_earth_observation_job(Arn=export_response["Arn"])
{k: v for k, v in export_job_details.items() if k in ["Arn", "Status", "DurationInSeconds"]}
```
As taxas de armazenamento não são cobradas após a exclusão do EOJ.
Para ver um exemplo que mostra como executar um EOJ, consulte esta [postagem no blog](https://aws.amazon.com/blogs/machine-learning/monitoring-lake-mead-drought-using-the-new-amazon-sagemaker-geospatial-capabilities/).
[Para obter mais exemplos de notebooks sobre recursos SageMaker geoespaciais, consulte este GitHub repositório.](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-geospatial)
# Tipos de operações
Ao criar um EOJ, selecione uma operação com base no seu caso de uso. Os recursos SageMaker geoespaciais da Amazon oferecem uma combinação de operações específicas e modelos pré-treinados. Você pode usar essas operações para entender o impacto das mudanças ambientais e das atividades humanas ao longo do tempo ou identificar pixels de nuvem e sem nuvem.
**Mascaramento de nuvem**
Identificar nuvens em imagens de satélite é uma etapa essencial de pré-processamento na produção de dados geoespaciais de alta qualidade. Ignorar os pixels da nuvem pode levar a erros na análise, e a detecção excessiva dos pixels da nuvem pode diminuir o número de observações válidas. O mascaramento de nuvem tem a capacidade de identificar pixels com e sem nuvens em imagens de satélite. Uma máscara precisa de nuvem ajuda a obter imagens de satélite para processamento e melhora a geração de dados. A seguir está o mapa de classes para mascaramento de nuvem.
```
{
0: "No_cloud",
1: "cloud"
}
```
**Remoção de nuvem**
A remoção de nuvem para dados do Sentinel-2 usa um modelo de segmentação semântica baseado em ML para identificar nuvens na imagem. Pixels turvos podem ser substituídos por pixels de outros carimbos de data/hora. USGS Landsat os dados contêm metadados do landsat que são usados para remoção da nuvem.
**Estatísticas temporais**
As estatísticas temporais calculam estatísticas para dados geoespaciais ao longo do tempo. As estatísticas temporais atualmente compatíveis incluem média, mediana e desvio padrão. Você pode calcular essas estatísticas usando `GROUPBY` e configurá-las para `all` ou`yearly`. Você também pode mencionar o `TargetBands`.
**Estatísticas zonais**
As estatísticas zonais realizam operações estatísticas em uma área especificada na imagem.
**Reamostragem**
A reamostragem é usada para aumentar e diminuir a resolução de uma imagem geoespacial. O atributo `value` na reamostragem representa o comprimento de um lado do pixel.
**Geomosaico**
O Geomosaic permite unir imagens menores em uma imagem grande.
**Empilhamento de bandas**
O empilhamento de bandas usa mais de uma banda de imagem como entrada e as empilha em um único GeoTIFF. O atributo `OutputResolution` determina a resolução da imagem de saída. Com base nas resoluções das imagens de entrada, você pode configurá-lo para `lowest`, `highest` ou `average`.
**Matemática da banda**
A matemática da banda, também conhecida como Índice Espectral, é um processo de transformar as observações de várias bandas espectrais em uma única banda, indicando a abundância relativa de atributos de interesse. Por exemplo, o Índice de Vegetação por Diferença Normalizada (NDVI) e o Índice de Vegetação Aprimorado (EVI) são úteis para observar a presença de atributos de vegetação verde.
**Segmentação da cobertura do solo**
A segmentação da cobertura do solo terra é um modelo de segmentação semântica que tem a capacidade de identificar o material físico, como vegetação, água e solo descoberto, na superfície da terra. Ter uma forma precisa de mapear os padrões de cobertura do solo ajuda você a entender o impacto das mudanças ambientais e das atividades humanas ao longo do tempo. A segmentação da cobertura do solo é frequentemente usada para planejamento de regiões, resposta a desastres, gestão ecológica e avaliação de impacto ambiental. A seguir está o mapa de classes para segmentação da cobertura do solo.
```
{
0: "No_data",
1: "Saturated_or_defective",
2: "Dark_area_pixels",
3: "Cloud_shadows",
4: "Vegetation",
5: "Not_vegetated",
6: "Water",
7: "Unclassified",
8: "Cloud_medium_probability",
9: "Cloud_high_probability",
10: "Thin_cirrus",
11: "Snow_ice"
}
```
## Disponibilidade das operações do EOJ
A disponibilidade das operações depende se você está usando a interface SageMaker geoespacial ou os notebooks Amazon SageMaker Studio Classic com uma imagem SageMaker geoespacial. Atualmente, os cadernos são compatíveis com todas as funcionalidades. Resumindo, as seguintes operações geoespaciais são suportadas pela SageMaker IA:
| Operações | Description | Disponibilidade |
| --- | --- | --- |
| Mascaramento de nuvem | Identifique pixels com e sem nuvem para obter imagens de satélite aprimoradas e precisas. | Interface do usuário, caderno |
| Remoção de nuvem | Remova pixels contendo partes de uma nuvem das imagens de satélite. | Caderno |
| Estatísticas temporais | Calcule estatísticas ao longo do tempo para um determinado GeoTIFF. | Caderno |
| Estatísticas zonais | Calcule estatísticas em regiões definidas pelo usuário. | Caderno |
| Reamostragem | Dimensione imagens para diferentes resoluções. | Caderno |
| Geomosaico | Combine várias imagens para maior fidelidade. | Caderno |
| Empilhamento de bandas | Combine várias bandas espectrais para criar uma única imagem. | Caderno |
| Matemática de bandas/Índice espectral | Obtenha uma combinação de bandas espectrais que indiquem a abundância de atributos de interesse. | Interface do usuário, caderno |
| Segmentação da cobertura do solo | Identifique os tipos de cobertura da terra, como vegetação e água, em imagens de satélite. | Interface do usuário, caderno |
# Trabalhos de enriquecimento de vetor
Um Trabalho de enriquecimento de vetor (VEJ) executa operações em seus dados vetoriais. Atualmente, você pode usar um VEJ para fazer geocodificação reversa ou correspondência de mapas.
**Geocodificação reversa**
Com um VEJ de geocodificação reversa, você pode converter coordenadas geográficas (latitude, longitude) em endereços legíveis por humanos desenvolvido por Amazon Location Service. Quando você carrega um arquivo CSV contendo as coordenadas de longitude e latitude, ele retorna o número do endereço, país, etiqueta, município, bairro, código postal e região desse local. O arquivo de saída consiste em seus dados de entrada junto com colunas contendo esses valores anexados no final. Esses trabalhos são otimizados para aceitar dezenas de milhares de rastreamentos de GPS.
**Correspondência de mapas**
A correspondência de mapas permite que você ajuste as coordenadas de GPS aos segmentos da estrada. A entrada deve ser um arquivo CSV contendo ID do rastreamento (rota), longitude, latitude e atributos do carimbo de data/hora. Pode haver várias coordenadas de GPS por rota. A entrada também pode conter várias rotas. A saída é um arquivo GeoJSON que contém links da rota prevista. Ela também contém os pontos de encaixe fornecidos na entrada. Esses trabalhos são otimizados para aceitar dezenas de milhares de unidades em uma solicitação. A correspondência de mapas é suportada por [OpenStreetMap](https://www.openstreetmap.org/). A correspondência de mapas vai falhar se os nomes no campo da fonte de entrada não corresponderem aos da `MapMatchingConfig`. A mensagem de erro que você recebe contém os nomes dos campos presentes no arquivo de entrada e o nome do campo esperado que não foi encontrado na `MapMatchingConfig`.
O arquivo CSV de entrada para um VEJ deve conter o seguinte:
+ Uma linha de cabeçalho
+ Latitude e longitude em colunas separadas
+ As colunas de data e hora e ID podem estar no formato numérico ou de string. Todos os outros dados da coluna devem estar somente em formato numérico
+ Não perca as citações correspondentes
Para a coluna de carimbo de data/hora, os recursos SageMaker geoespaciais suportam o tempo de época em segundos e milissegundos (inteiro longo). Os formatos de string compatíveis são os seguintes:
+ "dd.MM.yyyy HH:mm:ss z"
+ "yyyy-MM-dd'T'HH:mm:ss.SSS'Z'"
+ "yyyy-MM-dd'T'HH:mm:ss"
+ “yyyy-MM-dd hh:mm:ss a”
+ “yyyy-MM-dd HH: MM: SS”
+ “aaaa MMddHHmmss”
Embora você precise usar um notebook Amazon SageMaker Studio Classic para executar um VEJ, você pode visualizar todos os trabalhos criados usando a interface do usuário. Para usar a visualização no caderno, primeiro você precisa exportar sua saída para o bucket do S3. As ações do VEJ que você pode executar são as seguintes:
+ [StartVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_StartVectorEnrichmentJob.html)
+ [GetVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_GetVectorEnrichmentJob.html)
+ [ListVectorEnrichmentJobs](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListVectorEnrichmentJobs.html)
+ [StopVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_StopVectorEnrichmentJob.html)
+ [DeleteVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_DeleteVectorEnrichmentJob.html)
# Visualização usando recursos SageMaker geoespaciais
Usando as funcionalidades de visualização fornecidas pela Amazon SageMaker Geospatial, você pode visualizar dados geoespaciais, as entradas para suas tarefas de EOJ ou VEJ, bem como as saídas exportadas do seu bucket do Amazon S3. A ferramenta de visualização é desenvolvida pelo [Foursquare Studio](https://studio.foursquare.com/home). A imagem a seguir mostra a ferramenta de visualização suportada por recursos SageMaker geoespaciais.
![\[A ferramenta de visualização usando recursos SageMaker geoespaciais mostra um mapa da costa da Califórnia.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/geospatial_vis.png)
Você pode usar o painel de navegação à esquerda para adicionar dados, camadas, filtros e colunas. Você também pode fazer modificações na forma como você interage com o mapa.
**Conjunto de dados**
A fonte de dados usada para visualização é chamada de **conjunto de dados**. Para adicionar dados para visualização, escolha **Adicionar dados** no painel de navegação à esquerda. Você pode carregar os dados do seu bucket do Amazon S3 ou da sua máquina local. Os formatos de dados compatíveis são CSV, JSON e GeoJSON. Você pode adicionar vários conjuntos de dados ao seu mapa. Depois de carregar o conjunto de dados, você poderá vê-lo carregado na tela do mapa.
**Camadas**
No painel de camadas, uma camada é criada e preenchida automaticamente quando você adiciona um conjunto de dados. Se seu mapa consistir em mais de um conjunto de dados, você poderá selecionar qual conjunto de dados pertence a uma camada. Você pode criar novas camadas e agrupá-las. SageMaker SageMaker os recursos geoespaciais oferecem suporte a vários tipos de camadas, incluindo ponto, arco, ícone e polígono.
Você pode escolher qualquer ponto de dados em uma camada para ter um **Resumo**. Você também pode personalizar ainda mais os pontos de dados. Por exemplo, você pode escolher o tipo de camada como **Ponto** e depois **Cor de preenchimento** com base em qualquer coluna do seu conjunto de dados. Você também pode alterar o raio dos pontos.
A imagem a seguir mostra o painel de camadas suportado pelos recursos SageMaker geoespaciais.
![\[O painel de camadas com pontos de dados em um mapa dos EUA, suportado por recursos SageMaker geoespaciais.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/geospatial_vis_layer.png)
**Columns**
É possível visualizar as colunas presentes no seu conjunto de dados usando a aba **Colunas** no painel de navegação à esquerda.
**Filtros**
Você pode usar filtros para limitar os pontos de dados exibidos no mapa.
**Interações**
No painel **Interações**, você pode personalizar a forma como você interage com o mapa. Por exemplo, você pode escolher quais métricas exibir ao passar o mouse sobre a dica de ferramenta de um ponto de dados.
**Mapa base**
Atualmente, a SageMaker IA suporta apenas o mapa base Amazon Dark.
**Modos de mapa dividido**
Você pode ter um **mapa único**, **mapas duplos** ou **mapas deslizantes**. Com o **Dual Maps**, você pode comparar o mesmo mapa side-by-side usando camadas diferentes. Use os **mapas deslizantes** para sobrepor dois mapas um ao outro e use o separador deslizante para compará-los. Você pode escolher o modo de mapa dividido escolhendo o botão **Modo dividido** no canto superior direito do seu mapa.
## Legendas para EOJ na interface SageMaker geoespacial
A visualização da saída de um EOJ depende da operação escolhida para criá-lo. A legenda é baseada na escala de cores padrão. É possível ver a legenda escolhendo o botão **Mostrar legenda** no canto superior direito do seu mapa.
**Índice espectral**
Ao visualizar a saída de um EOJ que usa a operação de índice espectral, você pode mapear a categoria com base na cor da legenda, conforme mostrado.
![\[Legenda do mapeamento do índice espectral.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/geo_spectral_index.png)
**Mascaramento de nuvem**
Ao visualizar a saída de um EOJ que usa a operação de mascaramento de nuvem, você pode mapear a categoria com base na cor da legenda, conforme mostrado.
![\[Lenda do mapeamento de mascaramento de nuvem.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/geo_cloud_masking.png)
**Segmentação da cobertura do solo**
Ao visualizar a saída de um EOJ que usa a operação de segmentação da cobertura do solo, você pode mapear a categoria com base na cor da legenda, conforme mostrado.
![\[Lenda do mapeamento da segmentação da cobertura do solo.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/geo_landcover_ss.png)
# SDK de mapas SageMaker geoespaciais da Amazon
Você pode usar os recursos SageMaker geoespaciais da Amazon para visualizar mapas dentro da interface SageMaker geoespacial, bem como SageMaker cadernos com uma imagem geoespacial. Essas visualizações são compatíveis com a biblioteca de visualização de mapas chamada [Foursquare Studio](https://studio.foursquare.com/home).
Você pode usar o APIs fornecido pelo SDK do mapa SageMaker geoespacial para visualizar seus dados geoespaciais, incluindo a entrada, a saída e a AoI do EOJ.
**Topics**
+ [API add\$1dataset](#geo-add-dataset)
+ [API update\$1dataset](#geo-update-dataset)
+ [API add\$1layer](#geo-add-layer)
+ [API update\$1layer](#geo-update-layer)
+ [API visualize\$1eoj\$1aoi](#geo-visualize-eoj-aoi)
+ [API visualize\$1eoj\$1input](#geo-visualize-eoj-input)
+ [API visualize\$1eoj\$1output](#geo-visualize-eoj-output)
## API add\$1dataset
Adiciona um objeto de conjunto de dados raster ou vetorial ao mapa.
**Sintaxe da solicitação**
```
Request =
add_dataset(
self,
dataset: Union[Dataset, Dict, None] = None,
*,
auto_create_layers: bool = True,
center_map: bool = True,
**kwargs: Any,
) -> Optional[Dataset]
```
**Parâmetros de solicitação**
A solicitação aceita os parâmetros a seguir.
Argumentos posicionais
| Argumento | Tipo | Description |
| --- | --- | --- |
| `dataset` | Union[Dataset, Dict, None] | Dados usados para criar um conjunto de dados, no formato CSV, JSON ou GeoJSON (para conjuntos de dados locais) ou uma string UUID. |
Argumentos de palavras-chave
| Argumento | Tipo | Descrição |
| --- | --- | --- |
| `auto_create_layers` | Booleano | Se você deve tentar criar novas camadas ao adicionar um conjunto de dados. O valor padrão é `False`. |
| `center_map` | Booleano | Se o mapa deve ser centralizado no conjunto de dados criado. O valor padrão é `True`. |
| `id` | String | Um identificador exclusivo do conjunto de dados. Se você não fornecer um, uma ID aleatória será gerada. |
| `label` | String | Rótulo do conjunto de dados que é exibido. |
| `color` | Tuple[float, float, float] | Rótulo colorido do conjunto de dados. |
| `metadata` | Dicionário | Objeto contendo metadados do conjunto de blocos (para conjuntos de dados lado a lado). |
**Resposta**
Essa API retorna o objeto de [Conjunto de dados](https://location.foursquare.com/developer/docs/studio-map-sdk-types#dataset) que foi adicionado ao mapa.
## API update\$1dataset
Atualiza as configurações do conjunto de dados existente.
**Sintaxe da solicitação**
```
Request =
update_dataset(
self,
dataset_id: str,
values: Union[_DatasetUpdateProps, dict, None] = None,
**kwargs: Any,
) -> Dataset
```
**Parâmetros de solicitação**
A solicitação aceita os parâmetros a seguir.
Argumentos posicionais
| Argumento | Tipo | Description |
| --- | --- | --- |
| `dataset_id` | String | Identificador do conjunto de dados a ser atualizado. |
| `values` | União [[\$1 DatasetUpdateProps](https://location.foursquare.com/developer/docs/studio-map-sdk-types#datasetupdateprops), dict, None] | Valores a serem atualizados. |
Argumentos de palavras-chave
| Argumento | Tipo | Description |
| --- | --- | --- |
| `label` | String | Rótulo do conjunto de dados que é exibido. |
| `color` | [RGBColor](https://location.foursquare.com/developer/docs/studio-map-sdk-types#rgbcolor) | Rótulo colorido do conjunto de dados. |
**Resposta**
Essa API retorna o objeto do conjunto de dados atualizado para mapas interativos ou `None` para ambientes HTML não interativos.
## API add\$1layer
Adiciona uma nova camada ao mapa. Essa função requer pelo menos uma configuração de camada válida.
**Sintaxe da solicitação**
```
Request =
add_layer(
self,
layer: Union[LayerCreationProps, dict, None] = None,
**kwargs: Any
) -> Layer
```
**Parâmetros de solicitação**
A solicitação aceita os parâmetros a seguir.
Argumentos
| Argumento | Tipo | Description |
| --- | --- | --- |
| `layer` | União [[LayerCreationProps](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layercreationprops), ditado, nenhum] | Conjunto de propriedades usadas para criar uma camada. |
**Resposta**
Objeto de camada que foi adicionado ao mapa.
## API update\$1layer
Atualize uma camada existente com determinados valores.
**Sintaxe da solicitação**
```
Request =
update_layer(
self,
layer_id: str,
values: Union[LayerUpdateProps, dict, None],
**kwargs: Any
) -> Layer
```
**Parâmetros de solicitação**
A solicitação aceita os parâmetros a seguir.
Argumentos
| Argumento posicional | Tipo | Description |
| --- | --- | --- |
| `layer_id` | String | ID da camada a ser atualizada. |
| `values` | União [[LayerUpdateProps](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layerupdateprops), ditado, nenhum] | Valores a serem atualizados. |
Argumentos de palavras-chave
| Argumento | Tipo | Description |
| --- | --- | --- |
| `type` | [LayerType](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layertype) | Tipo de erro. |
| `data_id` | String | Identificador exclusivo do conjunto de dados que essa camada visualiza. |
| `fields` | Dict [string, Optional[string]] | Dicionário que mapeia os campos que a camada exige para visualização nos campos apropriados do conjunto de dados. |
| `label` | String | Rótulo canônico dessa camada. |
| `is_visible` | Booleano | Se a camada está visível ou não. |
| `config` | [LayerConfig](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layerconfig) | Configuração de camada específica para seu tipo. |
**Resposta**
Retorna o objeto de camada atualizado.
## API visualize\$1eoj\$1aoi
Visualize a AoI do ARN do trabalho fornecido.
**Parâmetros de solicitação**
A solicitação aceita os parâmetros a seguir.
Argumentos
| Argumento | Tipo | Description |
| --- | --- | --- |
| `Arn` | String | ARN do trabalho. |
| `config` | Dicionário config = \$1 label: custom label of the added AoI layer, default AoI \$1 | Opção para passar as propriedades da camada. |
**Resposta**
Referência do objeto de camada de entrada adicionado.
## API visualize\$1eoj\$1input
Visualize a entrada do ARN do EOJ fornecido.
**Parâmetros de solicitação**
A solicitação aceita os parâmetros a seguir.
Argumentos
| Argumento | Tipo | Description |
| --- | --- | --- |
| `Arn` | String | ARN do trabalho. |
| `time_range_filter` | Dicionário time\$1range\$1filter = \$1 start\$1date: data no formato ISO end\$1date: data no formato ISO \$1 | Opção para fornecer o horário de início e término. O padrão é a data de início e término da pesquisa da coleta de dados raster. |
| `config` | Dicionário config = \$1 label: custom label of the added output layer, default Input \$1 | Opção para passar as propriedades da camada. |
**Resposta**
Referência do objeto de camada de entrada adicionado.
## API visualize\$1eoj\$1output
Visualize a saída do ARN do EOJ fornecido.
**Parâmetros de solicitação**
A solicitação aceita os parâmetros a seguir.
Argumentos
| Argumento | Tipo | Description |
| --- | --- | --- |
| `Arn` | String | ARN do trabalho. |
| `time_range_filter` | Dicionário time\$1range\$1filter = \$1 start\$1date: data no formato ISO end\$1date: data no formato ISO \$1 | Opção para fornecer o horário de início e término. O padrão é a data de início e término da pesquisa da coleta de dados raster. |
| `config` | Dicionário config = \$1 rótulo: rótulo personalizado da camada de saída adicionada, saída padrão predefinição: singleBand ou trueColor, band\$1name: , necessário apenas para a predefinição 'singleBand'. Bandas permitidas para um EOJ \$1 | Opção para passar as propriedades da camada. |
**Resposta**
Referência do objeto de camada de saída adicionado.
Para saber mais sobre a visualização de seus dados geoespaciais, consulte [Visualização usando o Amazon](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-visualize.html) Geospatial. SageMaker
# SageMaker Perguntas frequentes sobre capacidades geoespaciais
Use os itens de perguntas frequentes a seguir para encontrar respostas às perguntas mais frequentes sobre recursos SageMaker geoespaciais.
1. **Em quais regiões os recursos SageMaker geoespaciais da Amazon estão disponíveis?**
Atualmente, as capacidades SageMaker geoespaciais são suportadas somente na região Oeste dos EUA (Oregon). Para visualizar a área SageMaker geoespacial, escolha o nome da região atualmente exibida na barra de navegação do console. Em seguida, escolha a região Oeste dos EUA (Oregon).
1. **Quais AWS Identity and Access Management permissões e políticas são necessárias para usar a área SageMaker geoespacial?**
Para usar a SageMaker tecnologia geoespacial, você precisa de um usuário, grupo ou função que possa acessar a SageMaker IA. Você também precisa criar uma função de execução de SageMaker IA para que o SageMaker setor geoespacial possa realizar operações em seu nome. Para saber mais, consulte [Funções de capacidades SageMaker geoespaciais](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-geospatial-roles.html).
1. **Já tenho uma função de execução de SageMaker IA. Preciso atualizá-lo?**
Sim. Para usar SageMaker geoespacial, você deve especificar um principal de serviço adicional em sua política de confiança do IAM:`sagemaker-geospatial.amazonaws.com`. Para saber como especificar um diretor de serviço em uma relação de confiança, consulte [Adicionando o principal do serviço SageMaker geoespacial a uma função de execução de SageMaker IA existente](sagemaker-geospatial-roles-pass-role.md) o *Amazon SageMaker AI Developer Guide*.
1. **Posso usar recursos SageMaker geoespaciais por meio do meu ambiente VPC?**
Sim, você pode usar SageMaker geoespacial por meio de uma VPN. Para saber mais, consulte [Use os recursos SageMaker geoespaciais da Amazon em sua Amazon Virtual Private Cloud](geospatial-notebooks-and-internet-access-vpc-requirements.md).
1. **Por que não consigo ver o visualizador de mapa SageMaker geoespacial, a imagem ou o tipo de instância ao navegar até o Amazon SageMaker Studio Classic?**
Verifique se você está lançando o Amazon SageMaker Studio Classic na região Oeste dos EUA (Oregon) e se não está usando um espaço compartilhado.
1. **Por que não consigo ver a imagem SageMaker geoespacial ou o tipo de instância quando tento criar uma instância de notebook no Studio Classic?**
Verifique se você está lançando o Amazon SageMaker Studio Classic na região Oeste dos EUA (Oregon) e se não está usando um espaço compartilhado. Para saber mais, consulte [Crie um notebook Amazon SageMaker Studio Classic usando a imagem geoespacial](geospatial-launch-notebook.md).
1. **Quais bandas são compatíveis com várias coleções de dados raster?**
Use a resposta da API `GetRasterDataCollection` e consulte o campo `ImageSourceBands` para encontrar as bandas compatíveis com essa coleta de dados específica.
# SageMaker Segurança e permissões geoespaciais
Use os tópicos desta página para aprender sobre recursos de segurança de recursos SageMaker geoespaciais. Além disso, aprenda a usar recursos SageMaker geoespaciais em uma Amazon Virtual Private Cloud, bem como proteger seus dados em repouso usando criptografia.
Para obter mais informações sobre Usuários e funções do IAM, consulte [Identidades (Usuários, grupos e funções)](https://docs.aws.amazon.com/IAM/latest/UserGuide/id.html) no Guia do usuário do IAM.
Para saber mais sobre como usar o IAM com SageMaker IA, consulte[AWS Identity and Access Management para Amazon SageMaker AI](security-iam.md).
**Topics**
+ [Configuração e análise de vulnerabilidade em SageMaker geoespacial](geospatial-config-vulnerability.md)
+ [Melhores práticas de segurança para recursos SageMaker geoespaciais](geospatial-sec-best-practices.md)
+ [Use os recursos SageMaker geoespaciais da Amazon em sua Amazon Virtual Private Cloud](geospatial-notebooks-and-internet-access-vpc-requirements.md)
+ [AWS KMS Permissões de uso para recursos SageMaker geoespaciais da Amazon](geospatial-kms.md)
# Configuração e análise de vulnerabilidade em SageMaker geoespacial
A configuração e os controles de TI são uma responsabilidade compartilhada entre você AWS e você, nosso cliente. AWS lida com tarefas básicas de segurança, como sistema operacional (SO) convidado e aplicação de patches em bancos de dados, configuração de firewall e recuperação de desastres. Esses procedimentos foram revisados e certificados por terceiros certificados. Para obter mais detalhes, consulte os seguintes recursos da :
+ [Modelo de responsabilidade compartilhada](https://aws.amazon.com/compliance/shared-responsibility-model/).
+ [Amazon Web Services: visão geral dos processos de segurança](https://d0.awsstatic.com/whitepapers/Security/AWS_Security_Whitepaper.pdf).
# Melhores práticas de segurança para recursos SageMaker geoespaciais
Os recursos SageMaker geoespaciais da Amazon fornecem vários recursos de segurança a serem considerados ao desenvolver e implementar suas próprias políticas de segurança. As melhores práticas a seguir são diretrizes gerais e não representam uma solução completa de segurança. Como essas práticas recomendadas podem não ser adequadas ou suficientes para o seu ambiente, trate-as como considerações úteis em vez de prescrições.
**Aplicação do princípio de privilégio mínimo**
Os recursos SageMaker geoespaciais da Amazon fornecem uma política de acesso granular para aplicativos que usam funções do IAM. Recomendamos que as funções recebam somente o conjunto mínimo de privilégios exigido pelo cargo. Também recomendamos auditar regularmente as permissões dos trabalhos e após qualquer alteração no sua aplicação.
**Permissões de controle de acesso por perfil (RBAC)**
Os administradores devem controlar rigorosamente as permissões de controle de acesso baseado em funções (RBAC) para os recursos geoespaciais da Amazon. SageMaker
**Usar credenciais temporárias sempre que possível**
Quando possível, use credenciais temporárias em vez de credenciais de longo prazo, como chaves de acesso. Para cenários em que você precise de usuários do IAM com acesso programático e credenciais de longo prazo, recomendamos alternar as chaves de acesso. A modificação regular de credenciais de longo prazo ajuda você a se familiarizar com o processo. Isso é útil caso você esteja em uma situação em que precise alternar credenciais, como quando um funcionário deixa sua empresa. Recomendamos que você use as últimas informações de acesso do IAM para alternar e remover chaves de acesso com segurança. Para obter mais informações, consulte [Chaves de acesso rotativas](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_credentials_access-keys.html#Using_RotateAccessKey) e [melhores práticas de segurança no IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/best-practices.html).
**Use AWS CloudTrail para visualizar e registrar chamadas de API**
AWS CloudTrail rastreia qualquer pessoa que faça chamadas de API em sua AWS conta. As chamadas de API são registradas sempre que alguém usa a API de capacidades SageMaker geoespaciais da Amazon, o console de capacidades SageMaker geoespaciais da Amazon ou os comandos da CLI de capacidades SageMaker geoespaciais da Amazon. AWS Ative o registro em log e especifique um bucket do Amazon S3 para armazenar os logs.
Sua confiança, privacidade e a segurança do seu conteúdo são nossas maiores prioridades. Implementamos controles técnicos e físicos que são responsáveis e avançados para impedir o acesso não autorizado ao seu conteúdo, bem como a sua divulgação, e garantir que o nosso uso esteja de acordo com os compromissos que firmamos com você. Para obter mais informações, consulte [AWS Perguntas frequentes sobre a privacidade de dados](https://aws.amazon.com/compliance/data-privacy-faq/).
# Use os recursos SageMaker geoespaciais da Amazon em sua Amazon Virtual Private Cloud
O tópico a seguir fornece informações sobre como usar SageMaker notebooks com uma imagem SageMaker geoespacial em um domínio da Amazon SageMaker AI com o modo somente VPC. Para obter mais informações sobre VPCs o Amazon SageMaker Studio Classic, consulte [Escolha uma Amazon VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-vpc.html).
## Comunicação da `VPC only` com a internet
Por padrão, o domínio SageMaker AI usa duas Amazon VPC. Uma das Amazon VPC é gerenciada pela Amazon SageMaker AI e fornece acesso direto à Internet. Você especifica a outra Amazon VPC, que fornece tráfego criptografado entre o domínio e o volume do Amazon Elastic File System (Amazon EFS).
Você pode alterar esse comportamento para que a SageMaker IA envie todo o tráfego pela Amazon VPC especificada. Se `VPC only` tiver sido escolhido como o modo de acesso à rede durante a criação do domínio de SageMaker IA, os seguintes requisitos precisam ser considerados para ainda permitir o uso dos notebooks SageMaker Studio Classic no domínio de IA criado SageMaker .
## Requisitos para usar o modo `VPC only`
**nota**
Para usar os componentes de visualização dos recursos SageMaker geoespaciais, o navegador que você usa para acessar a interface do SageMaker Studio Classic precisa estar conectado à Internet.
Quando você escolher `VpcOnly`, siga estas etapas:
1. Você deve usar somente sub-redes privadas. Você não pode usar sub-redes públicas no modo `VpcOnly`.
1. Certifique-se de que suas sub-redes tenham o número exigido de endereços IP necessários. O número esperado de endereços IP necessários por usuário pode variar de acordo com o caso de uso. Recomendamos entre 2 e 4 endereços IP por usuário. A capacidade total do endereço IP de um domínio do Studio é a soma dos endereços IP disponíveis para cada sub-rede fornecida quando o domínio é criado. Certifique-se de que o uso estimado do endereço IP não exceda a capacidade compatível com o número de sub-redes que você fornece. Além disso, o uso de sub-redes distribuídas em várias zonas de disponibilidade pode ajudar na disponibilidade do endereço IP. Para obter mais informações, consulte [Dimensionamento de VPC e sub-rede](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html#vpc-sizing-ipv4) para. IPv4
**nota**
Você pode configurar somente sub-redes com uma VPC de locação padrão em que sua instância é executada em hardware compartilhado. Para obter mais informações sobre o atributo de locação para VPCs, consulte [Instâncias dedicadas](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/dedicated-instance.html).
1. Configure um ou mais grupos de segurança com regras de entrada e saída que permitam juntas o seguinte tráfego:
+ [Tráfego NFS via TCP na porta 2049](https://docs.aws.amazon.com/efs/latest/ug/network-access.html) entre o domínio e o volume do Amazon EFS.
+ [Tráfego TCP dentro do grupo de segurança](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances). Isso é necessário para a conectividade entre o JupyterServer aplicativo e os KernelGateway aplicativos. Você deve permitir o acesso pelo menos às portas no intervalo `8192-65535`.
1. Se você quiser permitir o acesso à Internet, deverá usar um [gateway NAT](https://docs.aws.amazon.com/vpc/latest/userguide/vpc-nat-gateway.html#nat-gateway-working-with) com acesso à Internet, por exemplo, por meio de um [gateway da Internet](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Internet_Gateway.html).
1. Se você não quiser permitir o acesso à Internet, [crie uma interface VPC endpoints](https://docs.aws.amazon.com/vpc/latest/privatelink/vpce-interface.html) (AWS PrivateLink) para permitir que o Studio Classic acesse os seguintes serviços com os nomes de serviço correspondentes. Você também deve associar os grupos de segurança da sua VPC a esses endpoints.
**nota**
Atualmente, as capacidades SageMaker geoespaciais são suportadas somente na região Oeste dos EUA (Oregon).
+ SageMaker API: `com.amazonaws.us-west-2.sagemaker.api`
+ SageMaker Tempo de execução da IA:`com.amazonaws.us-west-2.sagemaker.runtime`. Isso é necessário para executar notebooks Studio Classic com uma imagem SageMaker geoespacial.
+ Amazon S3: `com.amazonaws.us-west-2.s3`.
+ Para usar SageMaker projetos:`com.amazonaws.us-west-2.servicecatalog`.
+ SageMaker capacidades geoespaciais: `com.amazonaws.us-west-2.sagemaker-geospatial`
Se você usa o [SDK do SageMaker Python](https://sagemaker.readthedocs.io/en/stable/) para executar trabalhos de treinamento remoto, também deve criar os seguintes endpoints da Amazon VPC.
+ AWS Security Token Service: `com.amazonaws.region.sts`
+ Amazon CloudWatch:`com.amazonaws.region.logs`. Isso é necessário para permitir que o SageMaker Python SDK obtenha o status do trabalho de treinamento remoto de. Amazon CloudWatch
**nota**
Para um cliente que trabalha no modo VPC, os firewalls da empresa podem causar problemas de conexão com o SageMaker Studio Classic ou entre o. JupyterServer KernelGateway Faça as seguintes verificações se você encontrar um desses problemas ao usar o SageMaker Studio Classic por trás de um firewall.
Verifique se o URL do Studio Classic está na lista de permissões da sua rede.
Verifique se as conexões do websocket não estão bloqueadas. O Jupyter usa um websocket dentro do sistema. Se o KernelGateway aplicativo estiver InService, JupyterServer talvez não consiga se conectar ao KernelGateway. Você também deve ver esse problema ao abrir o Terminal do Sistema.
# AWS KMS Permissões de uso para recursos SageMaker geoespaciais da Amazon
Você pode proteger seus dados em repouso usando criptografia para recursos SageMaker geoespaciais. Por padrão, ele usa criptografia do lado do servidor com uma chave de propriedade SageMaker geoespacial da Amazon. SageMaker os recursos geoespaciais também oferecem suporte à opção de criptografia do lado do servidor com uma chave KMS gerenciada pelo cliente.
## Criptografia do lado do servidor com chave gerenciada SageMaker geoespacial da Amazon (padrão)
SageMaker os recursos geoespaciais criptografam todos os seus dados, incluindo resultados computacionais de seus trabalhos de Observação da Terra (EOJ) e trabalhos de Enriquecimento Vetorial (VEJ), juntamente com todos os metadados de seu serviço. Não há dados armazenados em recursos SageMaker geoespaciais sem criptografia. Ele usa uma chave AWS própria padrão para criptografar todos os seus dados.
## Criptografia do lado do servidor com chave do KMS gerenciada pelo cliente (Opcional)
SageMaker os recursos geoespaciais suportam o uso de uma chave simétrica gerenciada pelo cliente que você cria, possui e gerencia para adicionar uma segunda camada de criptografia sobre a criptografia existente AWS . Como você tem controle total dessa camada de criptografia, você pode realizar tarefas como:
+ Estabelecer e manter as políticas de chave
+ Estabelecer e manter subsídios e IAM policies
+ Habilitar e desabilitar políticas de chaves
+ Alternar os materiais de criptografia de chave
+ Adicionar etiquetas
+ Criar réplicas de chaves
+ Chaves de agendamento para exclusão
Para obter mais informações, consulte [Chaves mestras do cliente (CMKs)](https://docs.aws.amazon.com/kms/latest/developerguide/concepts.html#customer-cmk) no *AWS Key Management Service Guia do desenvolvedor*.
## Como os recursos SageMaker geoespaciais usam subsídios em AWS KMS
SageMaker os recursos geoespaciais exigem uma concessão para usar sua chave gerenciada pelo cliente. Quando você cria um EOJ ou um VEJ criptografado com uma chave gerenciada pelo cliente, os recursos SageMaker geoespaciais criam uma concessão em seu nome enviando uma `CreateGrant` solicitação para. AWS KMS As concessões AWS KMS são usadas para dar aos recursos SageMaker geoespaciais acesso a uma chave KMS em uma conta de cliente. É possível revogar o acesso à concessão, ou remover o acesso do serviço à chave gerenciada pelo cliente a qualquer momento. Se você fizer isso, os recursos SageMaker geoespaciais não conseguirão acessar nenhum dos dados criptografados pela chave gerenciada pelo cliente, o que afeta as operações que dependem desses dados.
## Criar uma chave gerenciada pelo cliente
Você pode criar uma chave simétrica gerenciada pelo cliente usando o AWS Management Console ou o. AWS KMS APIs
**Para criar uma chave simétrica gerenciada pelo cliente**
Siga as etapas para [criar chaves KMS de criptografia simétrica](https://docs.aws.amazon.com/kms/latest/developerguide/create-keys.html#create-symmetric-cmk) no Guia do AWS Key Management Service desenvolvedor.
**Política de chave**
As políticas de chaves controlam o acesso à chave gerenciada pelo cliente. Cada chave gerenciada pelo cliente deve ter exatamente uma política de chaves, que contém declarações que determinam quem pode usar a chave e como pode usá-la. Ao criar a chave gerenciada pelo cliente, é possível especificar uma política de chave. Para obter mais informações, consulte [Determinando o acesso às AWS KMS chaves](https://docs.aws.amazon.com/kms/latest/developerguide/determining-access.html) no *Guia do AWS Key Management Service desenvolvedor*.
Para usar sua chave gerenciada pelo cliente com seus recursos de recursos SageMaker geoespaciais, as seguintes operações de API devem ser permitidas na política de chaves. O principal para essas operações deve ser a função de execução que você fornece na solicitação de recursos SageMaker geoespaciais. SageMaker os recursos geoespaciais pressupõem a função de execução fornecida na solicitação para realizar essas operações do KMS.
+ `[kms:CreateGrant](https://docs.aws.amazon.com/kms/latest/APIReference/API_CreateGrant.html)`
+ `kms:GenerateDataKey`
+ `kms:Decrypt`
+ `kms:GenerateDataKeyWithoutPlaintext`
A seguir estão exemplos de declarações de política que você pode adicionar para recursos SageMaker geoespaciais:
**CreateGrant**
```
"Statement" : [
{
"Sid" : "Allow access to Amazon SageMaker geospatial capabilities",
"Effect" : "Allow",
"Principal" : {
"AWS" : ""
},
"Action" : [
"kms:CreateGrant",
"kms:Decrypt",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlaintext"
],
"Resource" : "*",
},
]
```
Para obter mais informações sobre como especificar permissões em uma política, consulte [Permissões do AWS KMS](https://docs.aws.amazon.com/kms/latest/developerguide/kms-api-permissions-reference.html) no *Guia do Desenvolvedor do AWS Key Management Service *. Para obter mais informações sobre solução de problemas, consulte [Solucionar problemas de acesso à chave](https://docs.aws.amazon.com/kms/latest/developerguide/policy-evaluation.html) no *Guia do desenvolvedor do AWS Key Management Service *.
Se sua política de chaves não tiver sua conta raiz como administrador de chaves, você precisará adicionar as mesmas permissões do KMS no ARN do seu perfil de execução. Aqui está um exemplo de política que você pode adicionar ao perfil de execução:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Action": [
"kms:CreateGrant",
"kms:Decrypt",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlaintext"
],
"Resource": [
"arn:aws:kms:us-east-1:111122223333:key/key-id"
],
"Effect": "Allow"
}
]
}
```
------
## Monitorando suas chaves de criptografia para recursos SageMaker geoespaciais
Ao usar uma chave gerenciada pelo AWS KMS cliente com seus recursos de capacidades SageMaker geoespaciais, você pode usar AWS CloudTrail o Amazon CloudWatch Logs para rastrear as solicitações que a SageMaker geospatial envia para. AWS KMS
Selecione uma guia na tabela a seguir para ver exemplos de AWS CloudTrail eventos para monitorar operações do KMS chamados por recursos SageMaker geoespaciais para acessar dados criptografados pela chave gerenciada pelo cliente.
------
#### [ CreateGrant ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AssumedRole",
"principalId": "AROAIGDTESTANDEXAMPLE:SageMaker-Geospatial-StartEOJ-KMSAccess",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole/SageMaker-Geospatial-StartEOJ-KMSAccess",
"accountId": "111122223333",
"accessKeyId": "AKIAIOSFODNN7EXAMPLE3",
"sessionContext": {
"sessionIssuer": {
"type": "Role",
"principalId": "AKIAIOSFODNN7EXAMPLE3",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole",
"accountId": "111122223333",
"userName": "SageMakerGeospatialCustomerRole"
},
"webIdFederationData": {},
"attributes": {
"creationDate": "2023-03-17T18:02:06Z",
"mfaAuthenticated": "false"
}
},
"invokedBy": "arn:aws:iam::111122223333:root"
},
"eventTime": "2023-03-17T18:02:06Z",
"eventSource": "kms.amazonaws.com",
"eventName": "CreateGrant",
"awsRegion": "us-west-2",
"sourceIPAddress": "172.12.34.56",
"userAgent": "ExampleDesktop/1.0 (V1; OS)",
"requestParameters": {
"retiringPrincipal": "sagemaker-geospatial.us-west-2.amazonaws.com",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE",
"operations": [
"Decrypt"
],
"granteePrincipal": "sagemaker-geospatial.us-west-2.amazonaws.com"
},
"responseElements": {
"grantId": "0ab0ac0d0b000f00ea00cc0a0e00fc00bce000c000f0000000c0bc0a0000aaafSAMPLE",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
},
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": false,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ GenerateDataKey ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AWSService",
"invokedBy": "sagemaker-geospatial.amazonaws.com"
},
"eventTime": "2023-03-24T00:29:45Z",
"eventSource": "kms.amazonaws.com",
"eventName": "GenerateDataKey",
"awsRegion": "us-west-2",
"sourceIPAddress": "sagemaker-geospatial.amazonaws.com",
"userAgent": "sagemaker-geospatial.amazonaws.com",
"requestParameters": {
"encryptionContext": {
"aws:s3:arn": "arn:aws:s3:::axis-earth-observation-job-378778860802/111122223333/napy9eintp64/output/consolidated/32PPR/2022-01-04T09:58:03Z/S2B_32PPR_20220104_0_L2A_msavi.tif"
},
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE",
"keySpec": "AES_256"
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ Decrypt ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AWSService",
"invokedBy": "sagemaker-geospatial.amazonaws.com"
},
"eventTime": "2023-03-28T22:04:24Z",
"eventSource": "kms.amazonaws.com",
"eventName": "Decrypt",
"awsRegion": "us-west-2",
"sourceIPAddress": "sagemaker-geospatial.amazonaws.com",
"userAgent": "sagemaker-geospatial.amazonaws.com",
"requestParameters": {
"encryptionAlgorithm": "SYMMETRIC_DEFAULT",
"encryptionContext": {
"aws:s3:arn": "arn:aws:s3:::axis-earth-observation-job-378778860802/111122223333/napy9eintp64/output/consolidated/32PPR/2022-01-04T09:58:03Z/S2B_32PPR_20220104_0_L2A_msavi.tif"
},
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ GenerateDataKeyWithoutPlainText ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AssumedRole",
"principalId": "AROAIGDTESTANDEXAMPLE:SageMaker-Geospatial-StartEOJ-KMSAccess",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole/SageMaker-Geospatial-StartEOJ-KMSAccess",
"accountId": "111122223333",
"accessKeyId": "AKIAIOSFODNN7EXAMPLE3",
"sessionContext": {
"sessionIssuer": {
"type": "Role",
"principalId": "AKIAIOSFODNN7EXAMPLE3",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole",
"accountId": "111122223333",
"userName": "SageMakerGeospatialCustomerRole"
},
"webIdFederationData": {},
"attributes": {
"creationDate": "2023-03-17T18:02:06Z",
"mfaAuthenticated": "false"
}
},
"invokedBy": "arn:aws:iam::111122223333:root"
},
"eventTime": "2023-03-28T22:09:16Z",
"eventSource": "kms.amazonaws.com",
"eventName": "GenerateDataKeyWithoutPlaintext",
"awsRegion": "us-west-2",
"sourceIPAddress": "172.12.34.56",
"userAgent": "ExampleDesktop/1.0 (V1; OS)",
"requestParameters": {
"keySpec": "AES_256",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
# Tipos de instâncias de computação
SageMaker os recursos geoespaciais oferecem três tipos de instâncias computacionais.
+ **SageMaker Instâncias de notebooks geoespaciais do Studio Classic** — o SageMaker geospatial oferece suporte a instâncias de notebook baseadas em CPU e GPU no Studio Classic. As instâncias do caderno são usadas para criar, treinar e implantar modelos de ML. Para obter uma lista dos tipos de instância de caderno disponíveis que funcionam com a imagem geoespacial, consulte [Tipos de instância de caderno compatíveis](#supported-geospatial-instances).
+ **SageMaker instâncias de trabalhos geoespaciais** — Execute trabalhos de processamento para transformar dados de imagens de satélite.
+ **SageMaker tipos de inferência de modelos geoespaciais** — Faça previsões usando modelos de ML pré-treinados em imagens de satélite.
O tipo de instância é determinado pelas operações que você executa.
A tabela a seguir mostra as operações SageMaker geoespaciais específicas e os tipos de instância disponíveis que você pode usar.
| Operações | Instância |
| --- | --- |
| Estatísticas temporais | ml.geospatial.jobs |
| Estatísticas zonais | ml.geospatial.jobs |
| Reamostragem | ml.geospatial.jobs |
| Geomosaico | ml.geospatial.jobs |
| Empilhamento de bandas | ml.geospatial.jobs |
| Matemática da banda | ml.geospatial.jobs |
| Remoção de nuvem com Landsat8 | ml.geospatial.jobs |
| Remoção de nuvem com o Sentinel-2 | ml.geospatial.models |
| Mascaramento de nuvem | ml.geospatial.models |
| Segmentação da cobertura do solo | ml.geospatial.models |
## SageMaker tipos de instância de notebook com suporte geoespacial
SageMaker O geospatial oferece suporte a instâncias de notebook baseadas em CPU e GPU no Studio Classic. Se, ao iniciar uma instância de notebook habilitada para GPU, você receber um ResourceLimitExceedederro, precisará solicitar um aumento de cota. Para iniciar uma solicitação de aumento da cota Service Quotas, consulte [Solicitar um aumento de cota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) no *Guia do usuário do Service Quotas*.
Tipos de instância de caderno Studio Classic compatíveis
| Nome | Tipo de instância |
| --- | --- |
| ml.geospatial.interactive | CPU |
| ml.g5.xlarge | GPU |
| ml.g5.2xlarge | GPU |
| ml.g5.4xlarge | GPU |
| ml.g5.8xlarge | GPU |
| ml.g5.16xlarge | GPU |
| ml.g5.12xlarge | GPU |
| ml.g5.24xlarge | GPU |
| ml.g5.48xlarge | GPU |
Taxas diferentes são cobradas para cada tipo de instância de computação que você usa. Para obter mais informações sobre preços, consulte [ML geoespacial com Amazon SageMaker AI](https://aws.amazon.com/sagemaker/geospatial).
## SageMaker bibliotecas geoespaciais
O **tipo de instância SageMaker ** geoespacial específico **ml.geospatial.interactive** contém as seguintes bibliotecas Python.
Bibliotecas geoespaciais disponíveis no tipo de instância geoespacial
| Nome da biblioteca | Versão disponível |
| --- | --- |
| numpy | 1.23.4 |
| scipy | 1.11.2 |
| pandas | 1.4.4 |
| gdal | 3.2.2 |
| fiona | 1.8.22 |
| geopandas | 0.11.1 |
| Shapley | 1.8.4 |
| seaborn | 0.11.2 |
| notebook | 1.8.22 |
| scikit-image | 0.11.2 |
| rasterio | 6.4.12 |
| scikit-learn | 0.19.2 |
| ipyleaflet | 1.0.1 |
| rtree | 0.17.2 |
| opencv | 4.6.0.66 |
| supy | 2022.4.7 |
| SNAP toolbox | 9.0 |
| cdsapi | 0.6.1 |
| arosics | 1.8.1 |
| rasterstats | 0.18.0 |
| rioxarray | 0.14.1 |
| pyroSAR | 0.20.0 |
| eo-learn | 1.4.1 |
| deepforest | 1.2.7 |
| scrapy | 2.8.0 |
| rede CDF4 | 1.6.3 |
| xarray[complete] | 0.20.1 |
| Orfeotoolbox | OTB-8.1.1 |
| PyTorch | 2.0.1 |
| PyTorch-cuda | 11.8 |
| torchvision | 0.15.2 |
| torchaudio | 2.0.2 |
| PyTorch-lightning | 2.0.6 |
| tensorflow | 2.13.0 |
# Coleções de dados
A Amazon SageMaker Geospatial oferece suporte às seguintes coleções de dados raster. Das seguintes coleções de dados, você pode usar a USGS Landsat e as coleções de dados GeoTIFF otimizadas para nuvem Sentinel-2 ao iniciar um Trabalho de observação da Terra (EOJ): Para saber mais sobre o EOJs, consulte[Trabalhos de observação da terra](geospatial-eoj.md).
+ [Copernicus Digital Elevation Model (DEM): GLO-30](https://registry.opendata.aws/copernicus-dem/)
+ [Copernicus Digital Elevation Model (DEM): GLO-90](https://registry.opendata.aws/copernicus-dem/)
+ [https://registry.opendata.aws/sentinel-2-l2a-cogs/](https://registry.opendata.aws/sentinel-2-l2a-cogs/)
+ [https://registry.opendata.aws/sentinel-1/](https://registry.opendata.aws/sentinel-1/)
+ [National Agriculture Imagery Program (NAIP)em AWS](https://registry.opendata.aws/naip/)
+ [https://registry.opendata.aws/usgs-landsat/](https://registry.opendata.aws/usgs-landsat/)
Para encontrar a lista de coleções de dados raster disponíveis em seu Regiões da AWS, use`ListRasterDataCollections`. Na [resposta da `ListRasterDataCollections`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListRasterDataCollections.html#API_geospatial_ListRasterDataCollections_ResponseSyntax), você obterá um objeto [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListRasterDataCollections.html#API_geospatial_ListRasterDataCollections_ResponseSyntax](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListRasterDataCollections.html#API_geospatial_ListRasterDataCollections_ResponseSyntax) que contém detalhes sobre as coleções de dados raster disponíveis.
**Example Exemplo — Chamando a `ListRasterDataCollections` API usando o AWS SDK para Python (Boto3)**
Ao usar o SDK para Python ( SageMaker Boto3) e geoespacial, você deve criar um cliente geoespacial,. `geospatial_client` Use o seguinte trecho Python para fazer uma chamada para a API `list_raster_data_collections`:
```
import boto3
import sagemaker
import sagemaker_geospatial_map
import json
## SageMaker Geospatial Capabilities is currently only avaialable in US-WEST-2
session = boto3.Session(region_name='us-west-2')
execution_role = sagemaker.get_execution_role()
## Creates a SageMaker Geospatial client instance
geospatial_client = session.client(service_name="sagemaker-geospatial")
# Creates a resusable Paginator for the list_raster_data_collections API operation
paginator = geospatial_client.get_paginator("list_raster_data_collections")
# Create a PageIterator from the Paginator
page_iterator = paginator.paginate()
# Use the iterator to iterate throught the results of list_raster_data_collections
results = []
for page in page_iterator:
results.append(page['RasterDataCollectionSummaries'])
print (results)
```
Na resposta JSON, você receberá a seguinte informação, que foi truncada para maior clareza:
```
{
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:555555555555:raster-data-collection/public/dxxbpqwvu9041ny8",
"Description": "Copernicus DEM is a Digital Surface Model which represents the surface of the Earth including buildings, infrastructure, and vegetation. GLO-30 is instance of Copernicus DEM that provides limited worldwide coverage at 30 meters.",
"DescriptionPageUrl": "https://registry.opendata.aws/copernicus-dem/",
"Name": "Copernicus DEM GLO-30",
"Tags": {},
"Type": "PUBLIC"
}
```
## Informações da banda de imagem das coleções de dados USGS Landsat e Sentinel-2
As informações da banda de imagem das coleções de dados USGS Landsat 8 e Sentinel-2 são fornecidas na tabela a seguir.
USGS Landsat
| Nome da banda | Faixa de comprimento de onda (nm) | Unidades | Intervalo válido | Valor de preenchimento | Resolução espacial |
| --- | --- | --- | --- | --- | --- |
| costeiro | 435-451 | Sem unidade | 1-65.455 | 0 (Sem dados) | 30 m |
| azul | 452-512 | Sem unidade | 1-65.455 | 0 (Sem dados) | 30 m |
| verde | 533-590 | Sem unidade | 1-65.455 | 0 (Sem dados) | 30 m |
| vermelho | 636-673 | Sem unidade | 1-65.455 | 0 (Sem dados) | 30 m |
| nir | 851-879 | Sem unidade | 1-65.455 | 0 (Sem dados) | 30 m |
| swir16 | 1.566-1.651 | Sem unidade | 1-65.455 | 0 (Sem dados) | 30 m |
| swir22 | 2.107-2.294 | Sem unidade | 1-65.455 | 0 (Sem dados) | 30 m |
| qa\$1aerossol | NA | Índice de bits | 0-255 | 1 | 30 m |
| qa\$1pixel | NA | Índice de bits | 1-65.455 | 1 (bit 0) | 30 m |
| qa\$1radsat | NA | Índice de bits | 1-65.455 | NA | 30 m |
| t | 10.600-11.190 | Kelvin dimensionado | 1-65.455 | 0 (Sem dados) | 30 m (dimensionado a partir de 100 m) |
| atran | NA | Sem unidade | 0-10.000 | -9999 (Sem dados) | 30 m |
| cdist | NA | Quilômetros | 0-24.000 | -9999 (Sem dados) | 30 m |
| drad | NA | W/(m^2 sr µm)/DN | 0-28.000 | -9999 (Sem dados) | 30 m |
| urad | NA | W/(m^2 sr µm)/DN | 0-28.000 | -9999 (Sem dados) | 30 m |
| trad | NA | W/(m^2 sr µm)/DN | 0-28.000 | -9999 (Sem dados) | 30 m |
| emis | NA | Coeficiente de emissividade | 1-10.000 | -9999 (Sem dados) | 30 m |
| emsd | NA | Coeficiente de emissividade | 1-10.000 | -9999 (Sem dados) | 30 m |
Sentinel-2
| Nome da banda | Faixa de comprimento de onda (nm) | Escala | Intervalo válido | Valor de preenchimento | Resolução espacial |
| --- | --- | --- | --- | --- | --- |
| costeiro | 443 | 0,0001 | NA | 0 (Sem dados) | 60 m |
| azul | 490 | 0,0001 | NA | 0 (Sem dados) | 10 m |
| verde | 560 | 0,0001 | NA | 0 (Sem dados) | 10 m |
| vermelho | 665 | 0,0001 | NA | 0 (Sem dados) | 10 m |
| rededge1 | 705 | 0,0001 | NA | 0 (Sem dados) | 20 m |
| rededge2 | 740 | 0,0001 | NA | 0 (Sem dados) | 20 m |
| rededge3 | 783 | 0,0001 | NA | 0 (Sem dados) | 20 m |
| nir | 842 | 0,0001 | NA | 0 (Sem dados) | 10 m |
| nir08 | 865 | 0,0001 | NA | 0 (Sem dados) | 20 m |
| nir08 | 865 | 0,0001 | NA | 0 (Sem dados) | 20 m |
| nir09 | 940 | 0,0001 | NA | 0 (Sem dados) | 60 m |
| swir16 | 1610 | 0,0001 | NA | 0 (Sem dados) | 20 m |
| swir22 | 2190 | 0,0001 | NA | 0 (Sem dados) | 20 m |
| aot | Espessura óptica do aerossol | 0.001 | NA | 0 (Sem dados) | 10 m |
| wvp | Vapor de água médio da cena | 0.001 | NA | 0 (Sem dados) | 10 m |
| scl | Dados de classificação de cena | NA | 1-11 | 0 (Sem dados) | 20 m |
# RStudio na Amazon SageMaker AI
RStudio é um ambiente de desenvolvimento integrado para R, com um console, editor de destaque de sintaxe que oferece suporte à execução direta de código e ferramentas para plotagem, histórico, depuração e gerenciamento de espaço de trabalho. O Amazon SageMaker AI oferece suporte RStudio como um ambiente de desenvolvimento integrado (IDE) totalmente gerenciado e integrado ao domínio Amazon SageMaker AI por meio do Posit Workbench. RStudio permite que os clientes criem insights de ciência de dados usando um ambiente R. Com a RStudio integração, você pode iniciar um RStudio ambiente no domínio para executar seus RStudio fluxos de trabalho em recursos de SageMaker IA. Para obter mais informações sobre o Posit Workbench, consulte o [site do Posit](https://posit.co/products/enterprise/workbench/). Esta página fornece informações sobre RStudio conceitos importantes.
SageMaker A IA se integra RStudio por meio da criação de um RStudio ServerPro aplicativo.
Os itens a seguir são suportados pelo RStudio on SageMaker AI.
+ Os desenvolvedores de R usam a interface RStudio IDE com ferramentas de desenvolvedor populares do ecossistema R. Os usuários podem iniciar novas RStudio sessões, escrever código R, instalar dependências do RStudio Package Manager e publicar aplicativos Shiny usando o Connect RStudio .
+ Os desenvolvedores de R podem escalar rapidamente os recursos de computação subjacentes para executar processamento de dados e análises estatísticas em grande escala.
+ Os administradores da plataforma podem configurar identidades de usuário, autorização, rede, armazenamento e segurança para suas equipes de ciência de dados por meio Centro de Identidade do AWS IAM de integração. AWS Identity and Access Management Isso inclui a conexão com recursos privados da Amazon Virtual Private Cloud (Amazon VPC) e o modo sem internet com. AWS PrivateLink
+ Integração com AWS License Manager.
Para obter informações sobre as etapas de integração para criar um domínio com RStudio habilitado, consulte[Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
## Disponibilidade de regiões
A tabela a seguir fornece informações sobre o Regiões da AWS que RStudio é suportado na SageMaker IA.
| Nome da região | Região |
| --- | --- |
| Leste dos EUA (Ohio) | us-east-2 |
| Leste dos EUA (Norte da Virgínia) | us-east-1 |
| Oeste dos EUA (Norte da Califórnia) | us-west-1 |
| Oeste dos EUA (Oregon) | us-west-2 |
| Ásia-Pacífico (Mumbai) | ap-south-1 |
| Ásia-Pacífico (Seul) | ap-northeast-2 |
| Ásia-Pacífico (Singapura) | ap-southeast-1 |
| Ásia-Pacífico (Sydney) | ap-southeast-2 |
| Ásia-Pacífico (Tóquio) | ap-northeast-1 |
| Canadá (Central) | ca-central-1 |
| Europa (Frankfurt) | eu-central-1 |
| Europa (Irlanda) | eu-west-1 |
| Europa (Londres) | eu-west-2 |
| Europa (Paris) | eu-west-3 |
| Europa (Estocolmo) | eu-north-1 |
| América do Sul (São Paulo) | sa-east-1 |
## RStudio componentes
+ *RStudioServerPro*: o RStudio ServerPro aplicativo é um aplicativo multiusuário que é um recurso compartilhado entre todos os perfis de usuário no domínio. Depois que um RStudio aplicativo é criado em um domínio, o administrador pode conceder permissões aos usuários no domínio.
+ *RStudio usuário*: RStudio usuários são usuários dentro do domínio que estão autorizados a usar a RStudio licença.
+ *RStudio admin*: Um administrador da RStudio Amazon SageMaker AI pode acessar o painel RStudio administrativo. RStudio na Amazon SageMaker AI, os administradores são diferentes dos administradores “normais” do Posit Workbench porque eles não têm acesso root à instância que executa o RStudio ServerPro aplicativo e não podem modificar o arquivo de configuração. RStudio
+ *RStudio Servidor*: a instância RStudio do servidor é responsável por fornecer a RStudio interface do usuário a todos os usuários autorizados. Essa instância é executada em uma instância Amazon SageMaker AI.
+ *RSession*: An RSession é uma interface baseada em navegador para o RStudio IDE em execução em uma instância de SageMaker IA da Amazon. Os usuários podem criar e interagir com seus RStudio projetos por meio do RSession.
+ *RSessionGateway*: O aplicativo RSession Gateway é usado para oferecer suporte a um RSession.
+ *RStudio painel administrativo*: esse painel fornece informações sobre os RStudio usuários no domínio Amazon SageMaker AI e suas sessões. Esse painel só pode ser acessado por usuários que tenham autorização de RStudio administrador.
## Diferenças do Posit Workbench
RStudio na Amazon, a SageMaker IA tem algumas diferenças significativas em relação ao [Posit Workbench.](https://posit.co/products/enterprise/workbench/)
+ Ao usar RStudio na SageMaker IA, os usuários não têm acesso aos arquivos RStudio de configuração. A Amazon SageMaker AI gerencia o arquivo de configuração e define padrões. Você pode modificar o RStudio Connect and RStudio Package Manager URLs ao criar seu domínio Amazon SageMaker AI RStudio habilitado.
+ Atualmente, o compartilhamento de projetos, a colaboração em tempo real e o Job Launcher não são suportados quando usados RStudio na Amazon SageMaker AI.
+ Ao ser usado RStudio na SageMaker IA, o RStudio IDE é executado em instâncias de SageMaker IA da Amazon para recursos computacionais em contêineres sob demanda.
+ RStudio o on SageMaker AI suporta apenas o RStudio IDE e não oferece suporte a outros IDEs suportados por uma instalação do Posit Workbench.
+ RStudio no SageMaker AI suporta apenas a RStudio versão especificada em[RStudio Controle de versão](rstudio-version.md).
# RStudio no gerenciamento de SageMaker IA da Amazon
Os tópicos a seguir fornecem informações sobre o gerenciamento RStudio na Amazon SageMaker AI. Isso inclui informações sobre a configuração do seu RStudio ambiente, sessões de usuário e recursos necessários. Para obter informações sobre como usar RStudio a SageMaker IA, consulte[RStudio no guia do usuário da Amazon SageMaker AI](rstudio-use.md).
Para obter informações sobre como criar um domínio Amazon SageMaker AI com RStudio habilitado, consulte[Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
Para obter informações sobre as AWS regiões RStudio nas quais a SageMaker IA é suportada, consulte[Regiões e cotas compatíveis](regions-quotas.md).
**Topics**
+ [Obtenha uma RStudio licença](rstudio-license.md)
+ [RStudio Controle de versão](rstudio-version.md)
+ [Rede e armazenamento](rstudio-network.md)
+ [RStudioServerPro tipo de instância](rstudio-select-instance.md)
+ [Adicionar um URL do RStudio Connect](rstudio-configure-connect.md)
+ [Atualizar o URL RStudio do Package Manager](rstudio-configure-pm.md)
+ [Crie um domínio Amazon SageMaker AI RStudio usando o AWS CLI](rstudio-create-cli.md)
+ [Adicionar RStudio suporte a um domínio existente](rstudio-add-existing.md)
+ [Imagens personalizadas RStudio sem SageMaker IA](rstudio-byoi.md)
+ [Crie um usuário para usar RStudio](rstudio-create-user.md)
+ [Faça login RStudio como outro usuário](rstudio-login-another.md)
+ [Encerrar sessões para outro usuário](rstudio-terminate-another.md)
+ [Use o painel RStudio administrativo](rstudio-admin.md)
+ [Encerrar RStudio](rstudio-shutdown.md)
+ [Faturamento e custos](rstudio-billing.md)
+ [Diagnostique problemas e obtenha ajuda](rstudio-troubleshooting.md)
# Obtenha uma RStudio licença
RStudio na Amazon, o SageMaker AI é um produto pago e exige que cada usuário seja licenciado adequadamente. As licenças do RStudio Amazon SageMaker AI podem ser obtidas diretamente da RStudio PBC ou comprando uma assinatura do Posit Workbench no Marketplace. AWS Para clientes existentes do Posit Workbench Enterprise, as licenças são emitidas sem custo adicional. Para usar uma RStudio licença com a Amazon SageMaker AI, você deve primeiro ter uma RStudio licença válida registrada na AWS License Manager. Para licenças adquiridas diretamente por meio do Rstudio PBC, uma concessão de licenças para sua AWS conta deve ser criada. Entre em contato RStudio para compras diretas de licenças ou para habilitar licenças existentes. AWS License Manager Para obter mais informações sobre como registrar uma licença com AWS License Manager, consulte [Licenças emitidas pelo vendedor em AWS License Manager](https://docs.aws.amazon.com/license-manager/latest/userguide/seller-issued-licenses.html).
Os tópicos a seguir mostram como adquirir e validar uma licença concedida pela RStudio PBC.
**Obtenha uma RStudio licença**
1. Se você não tiver uma RStudio licença, poderá comprá-la diretamente no AWS Marketplace ou no RStudio PBC.
+ Para comprar uma assinatura no AWS Marketplace, conclua as etapas para [assinar um contrato de SaaS](https://docs.aws.amazon.com/marketplace/latest/buyerguide/buyer-saas-products.html) pesquisando **Posit** Team. Para cumprir a licença, você será redirecionado para um formulário externo fora do AWS Marketplace. Você deve fornecer informações adicionais, incluindo o nome da sua empresa e endereço de e-mail. Se você não conseguir acessar esse formulário para fornecer o nome da empresa e um e-mail de contato, crie um ticket com o Posit Support em [https://support.posit. co/hc/en-us/requests/new](https://support.posit.co/hc/en-us/requests/new)com detalhes sobre sua compra.
+ Para comprar diretamente da RStudio PBC, navegue até [RStudio Preços](https://www.rstudio.com/pricing/) ou entre em contato com [sales@rstudio.com.](mailto:sales@rstudio.com) Ao comprar ou atualizar uma RStudio licença, você deve fornecer a AWS Conta que hospedará seu domínio Amazon SageMaker AI.
Se você tiver uma RStudio licença existente, entre em contato com seu representante de RStudio vendas ou [sales@rstudio.com](mailto:sales@rstudio.com) para adicionar o RStudio Amazon SageMaker AI à sua licença existente do Posit Workbench Enterprise ou para converter sua licença do Posit Workbench Standard. O representante RStudio de vendas enviará a você o formulário de pedido eletrônico apropriado.
1. RStudio concede uma licença Posit Workbench à sua AWS Conta AWS License Manager na Região Leste dos EUA (Norte da Virgínia). Embora a RStudio licença seja concedida na região Leste dos EUA (Norte da Virgínia), sua licença pode ser consumida em qualquer AWS região RStudio na qual a Amazon SageMaker AI seja suportada. Você pode esperar que o processo de concessão da licença seja concluído em até três dias úteis após compartilhar o ID AWS da sua conta com RStudio.
1. Quando essa licença for concedida, você receberá um e-mail do seu representante de RStudio vendas com instruções para aceitar a concessão da licença.
**Valide sua RStudio licença para ser usada com a Amazon AI SageMaker **
1. Faça login no AWS License Manager console na mesma região do seu domínio Amazon SageMaker AI. Se você estiver usando AWS License Manager pela primeira vez, AWS License Manager solicita que você conceda permissão de uso AWS License Manager.
1. Selecione **Começar a usar o Gerenciador de AWS licenças**.
1. Selecione `I grant AWS License Manager the required permissions` e, em seguida, **Conceder permissões**.
1. Navegue até **Licenças concedidas** no painel esquerdo.
1. Selecione a concessão da licença com `RSW-SageMaker` como `Product name` e selecione **Visualizar**.
1. Na página de detalhes da licença, selecione **Aceitar e ativar a licença**.
**RStudio painel administrativo**
Você pode usar o painel RStudio administrativo para ver o número de usuários na licença seguindo as etapas em[Use o painel RStudio administrativo](rstudio-admin.md).
# RStudio Controle de versão
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Este guia fornece informações sobre a atualização da `2025.05.1+513.pro3` versão para RStudio o SageMaker AI. A partir de 31 de outubro de 2025, novos domínios com RStudio suporte são criados com a Posit Workbench versão`2025.05.1+513.pro3`. Isso é válido para aplicações `RStudioServerPro` e aplicações padrão `RSessionGateway`.
As seções a seguir fornecem informações sobre a `2025.05.1+513.pro3` versão.
## Atualizações da versão mais recente
A RStudio versão mais recente é`2025.05.1+513.pro3`.
+ Versões do R compatíveis:
+ 4.5.1
+ 4.4.3
+ 4.4.0
+ 4.3.3
+ 4.2.3
+ 4.2.1
+ 4.1.3
+ 4.0.2
Para obter mais informações sobre as alterações nessa liberação, consulte [https://docs.posit.co/ide/news/](https://docs.posit.co/ide/news/).
**nota**
Para garantir a compatibilidade, recomendamos usar RSessions com um prefixo que corresponda à Posit Workbench versão atual.
Se você ver o aviso a seguir, há uma incompatibilidade de versão entre a `RSession` e a Posit Workbench versão usada RStudio no SageMaker AI. Para resolver esse problema, atualize a RStudio versão do domínio. Para obter informações sobre como atualizar a RStudio versão, consulte[Atualizando para a nova versão](rstudio-version-upgrade.md).
```
Session version 2024.04.2+764.pro1 does not match server version 2025.05.1+513.pro3 - this is an unsupported configuration, and you may experience unexpected issues as a result.
```
## Versionamento
Atualmente, existem duas versões do Posit Workbench compatível com SageMaker IA.
+ Versão mais recente: `2025.05.1+513.pro3`
Data de suspensão de uso: 5 de dezembro de 2026
+ Versão anterior: `2024.04.2+764.pro1`
Data de suspensão de uso: 30 de abril de 2026
**nota**
Embora você possa continuar criando novos domínios com a versão mais antiga `2024.04.2+764.pro1` até 30/04/2026 fixando explicitamente a versão ao criar o domínio usando a CLI, é altamente recomendável que os clientes comecem a usar a versão em todos os domínios. `2025.05` A POSIT deixou de fornecer correções de vulnerabilidade para. `2024.04.2+764.pro1`
As versões `2023.03.2-547.pro5` e `2022.02.2-485.pro2` estão obsoletas e não são mais suportadas. Recomendamos que você atualize para o versão mais recente.
A Posit Workbench versão padrão que a SageMaker IA seleciona depende da data de criação do domínio.
+ Para domínios criados após 31 de outubro de 2025, a versão `2025.05.1+513.pro3` é a versão padrão selecionada.
+ Para domínios criados após 04 de setembro de 2024 e antes de 31 de outubro de 2025, a versão `2024.04.2+764.pro1` é a versão padrão selecionada. Você pode atualizar seus domínios para a versão mais recente (`2025.05.1+513.pro3`) configurando-a como a versão padrão do domínio. Para obter mais informações, consulte [Atualizando para a nova versão](rstudio-version-upgrade.md).
**nota**
A versão padrão da aplicação `RSessionGateway` corresponde à versão atual da aplicação `RStudioServerPro`.
A tabela a seguir lista a imagem ARNs das duas versões de cada uma Região da AWS. Eles ARNs são passados como parte de um `update-domain` comando para definir a versão desejada.
| Region | ARN da imagem `2024.04.2+764.pro1` | ARN da imagem `2025.05.1+513.pro3` |
| --- | --- | --- |
| us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-east-1:081325390199:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-east-2:429704687514:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-west-1:742091327244:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-west-2:236514542706:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:af-south-1:559312083959:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-east-1:493642496378:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-south-1:394103062818:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ca-central-1:310906938811:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-central-1:936697816551:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-1:470317259841:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-2:712779665605:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-3:615547856133:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-north-1:243637512696:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-south-1:592751261982:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:sa-east-1:782484402741:image/rstudio-workbench-2025.05-sagemaker-1.0 |
### Alterações nas imagens BYOI
Se você usar uma imagem BYOI com RStudio e atualizar sua `RStudioServerPro` versão para`2025.05.1+513.pro3`, deverá atualizar suas imagens personalizadas para usar a `2025.05.1+513.pro3` versão e reimplantar as existentes. RSessions Se você tentar carregar uma imagem não compatível em um domínio RSession de um domínio usando a `2025.05.1+513.pro3` versão, ocorrerá uma RSession falha porque não poderá analisar os parâmetros recebidos. Para evitar falhas, atualize todas as imagens personalizadas implantadas no sua aplicação `RStudioServerPro` existente.
O `RSW_VERSION` in the Dockerfile deve ser consistente com a Posit Workbench versão usada RStudio na SageMaker IA. Você pode validar a versão atual em Posit Workbench. Para fazer isso, use o nome da versão que está localizado no canto inferior esquerdo da página do inicializador Posit Workbench.
```
ARG RSW_VERSION=2025.05.1+513.pro3
ENV RSTUDIO_FORCE_NON_ZERO_EXIT_CODE="1"
ARG RSW_NAME=rstudio-workbench
ARG OS_CODE_NAME=jammy
ARG RSW_DOWNLOAD_URL=https://s3.amazonaws.com/rstudio-ide-build/server/${OS_CODE_NAME}/amd64
RUN RSW_VERSION_URL=`echo -n "${RSW_VERSION}" | sed 's/+/-/g'` \
&& curl -o rstudio-workbench.deb ${RSW_DOWNLOAD_URL}/${RSW_NAME}-${RSW_VERSION_URL}-amd64.deb \
&& gdebi -n ./rstudio-workbench.deb
```
# Atualizando para a nova versão
Os domínios existentes que usam a versão `2024.04.2+764.pro1` podem ser atualizados para a versão `2025.05.1+513.pro3` de duas maneiras:
+ Crie um novo domínio a partir do AWS CLI com RStudio ativado.
+ Atualizar um domínio existente para usar a versão `2025.05.1+513.pro3`.
O procedimento a seguir mostra como excluir o RStudio aplicativo de um domínio existente, definir a `2025.05.1+513.pro3` versão padrão como e criar um RStudio aplicativo.
1. Exclua a aplicação `RStudioServerPro` e todos as aplicações `RSessionGateway` associados ao seu domínio existente. Para obter informações sobre como encontrar sua ID do domínio, consulte [Visualizar domínios](domain-view.md). Para mais informações sobre como excluir aplicações, consulte [Encerrar RStudio](rstudio-shutdown.md).
```
aws sagemaker delete-app \
--region region \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
1. Se seu domínio estiver usando a RStudio versão`2024.04.2+764.pro1`, atualize o domínio para `2025.05.1+513.pro3` defini-lo como a Posit Workbench versão padrão. O `SageMakerImageArn` valor no `update-domain` comando a seguir especifica a RStudio `2025.05.1+513.pro3` versão como padrão. Essa ARN deve corresponder ao Region em que o seu domínio está. Para obter uma lista de todos os disponíveis ARNs, consulte[Versionamento](rstudio-version.md#rstudio-version-new).
Aprove uma ARN da função de execução para o domínio que fornece permissões para atualizar o domínio.
```
aws sagemaker update-domain \
--region region \
--domain-id domainId \
--domain-settings-for-update "{\"RStudioServerProDomainSettingsForUpdate\":{\"DefaultResourceSpec\": {\"SageMakerImageArn\": \"arn-for-2025.05.1+513.pro3-version\", \"InstanceType\": \"system\"}, \"DomainExecutionRoleArn\": \"execution-role-arn\"}}"
```
1. Crie um nova aplicação `RStudioServerPro` no domínio existente.
```
aws sagemaker create-app \
--region region
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
Seu aplicação `RStudioServerPro` agora está atualizado para a versão `2025.05.1+513.pro3`. Agora você pode reexecutar suas aplicações `RSessionGateway`.
# Faça o downgrade para uma versão anterior
Você pode fazer o downgrade manualmente da versão do seu RStudio aplicativo existente para a `2024.04.2+764.pro1` versão.
**Para fazer o downgrade para uma versão anterior**
1. Exclua a aplicação `RStudioServerPro` que está associado ao seu domínio existente. Para obter informações sobre como encontrar sua ID do domínio, consulte [Visualizar domínios](domain-view.md).
```
aws sagemaker delete-app \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
1. Passe a ARN `2024.04.2+764.pro1` correspondente para a sua Region como parte do comando `update-domain`. Para obter uma lista de todos os disponíveis ARNs, consulte[Versionamento](rstudio-version.md#rstudio-version-new). Você deve também aprovar uma ARN da função de execução para o domínio que fornece permissões para atualizar o domínio.
```
aws sagemaker update-domain \
--region region \
--domain-id domainId \
--domain-settings-for-update "{\"RStudioServerProDomainSettingsForUpdate\":{\"DefaultResourceSpec\": {\"SageMakerImageArn\": \"arn-for-2024.04.2+764.pro1-version\", \"InstanceType\": \"system\"}, \"DomainExecutionRoleArn\": \"execution-role-arn\"}}"
```
1. Crie um nova aplicação `RStudioServerPro` no domínio existente. O padrão da RStudio versão é. `2024.04.2+764.pro1`
```
aws sagemaker create-app \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
Seu aplicação `RStudioServerPro` agora está em downgrade para a versão `2024.04.2+764.pro1`.
# Rede e armazenamento
O tópico a seguir descreve as considerações sobre acesso à rede e armazenamento de dados para sua RStudio instância. Para obter informações gerais sobre acesso à rede e armazenamento de dados ao usar o Amazon SageMaker AI, consulte[Proteção de dados na Amazon SageMaker AI](data-protection.md).
**Volume do Amazon EFS**
RStudio no Amazon SageMaker AI compartilha um volume do Amazon EFS com o aplicativo Amazon SageMaker Studio Classic no domínio. Quando o RStudio aplicativo é adicionado a um domínio, a SageMaker IA cria uma pasta chamada `shared` no diretório do Amazon EFS. Se essa `shared` pasta for excluída ou alterada manualmente, o RStudio aplicativo poderá não funcionar mais. Para obter mais informações sobre volume do Amazon EFS, consulte [Gerencie seu volume de armazenamento do Amazon EFS no Amazon SageMaker Studio Classic](studio-tasks-manage-storage.md).
**Pacotes e scripts instalados**
Os pacotes que você instala de dentro RStudio têm como escopo o nível do perfil do usuário. Isso significa que o pacote instalado persiste durante o RSession desligamento, a reinicialização e a transição RSessions para cada perfil de usuário no qual ele está instalado. Os scripts R que são salvos em RSessions se comportam da mesma maneira. Tanto os pacotes quanto os scripts em R são salvos no volume Amazon EFS do usuário.
**Criptografia**
RStudio na Amazon, o SageMaker AI oferece suporte à criptografia em repouso.
**Use RStudio no modo somente VPC**
RStudio na Amazon, a SageMaker IA oferece suporte [AWS PrivateLink](https://docs.aws.amazon.com/vpc/latest/userguide/endpoint-services-overview.html)à integração. Com essa integração, você pode usar a SageMaker IA RStudio no modo somente VPC sem acesso direto à Internet. Quando você usa RStudio no modo somente VPC, seus grupos de segurança são gerenciados automaticamente pelo serviço. Isso inclui conectividade entre você RServer e seu RSessions.
Os itens a seguir são necessários para uso somente RStudio no modo VPC. Para obter mais informações sobre como escolher uma VPC, consulte [Escolha uma Amazon VPC](onboard-vpc.md).
+ Uma sub-rede privada com acesso à Internet para fazer uma chamada para o Amazon SageMaker AI & License Manager ou endpoints da Amazon Virtual Private Cloud (Amazon VPC) para SageMaker Amazon AI e License Manager.
+ O domínio não pode ter mais do que dois grupos de segurança associados.
+ Um ID de grupo de segurança para uso com o domínio nas configurações do domínio. Isso deve permitir todo o acesso externo.
+ Um ID de grupo de segurança para uso com o endpoint da VPC da Amazon. Esse grupo de segurança deve permitir tráfego de entrada a partir da ID do grupo de segurança do domínio.
+ Amazon VPC Endpoint para e. `sagemaker.api` AWS License Manager Ele deve estar na mesma Amazon VPC que a sub-rede privada.
# RStudioServerPro tipo de instância
Ao decidir qual tipo de instância do Amazon EC2 usar para RStudio ServerPro seu aplicativo, o principal fator a ser considerado é a largura de banda. A largura de banda é importante porque a RStudio ServerPro instância é responsável por fornecer a RStudio interface do usuário a todos os usuários. Isso inclui fluxos de trabalho pesados de interface de usuário, como geração de figuras, animações e exibição de várias linhas de dados. Portanto, pode haver alguma degradação do desempenho da interface do usuário, dependendo da workload de todos os usuários. A seguir estão os tipos de instância disponíveis para usar em seu RStudioServerPro. Para obter informações sobre preços sobre essas instâncias, consulte [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
+ `system`: esse tipo de instância é recomendado para domínios com uso leve de interface do usuário.
**nota**
O valor `system` é traduzido para `ml.t3.medium`.
+ `ml.c5.4xlarge`: esse tipo de instância é recomendado para domínios com uso moderado de interface do usuário.
+ `ml.c5.9xlarge`: esse tipo de instância é recomendado para domínios com uso pesado de interface do usuário.
**Alteração do tipo de RStudio instância**
Para alterar o tipo de instância da sua RStudioServerPro, transmita o novo tipo de instância como parte de uma chamada para o comando da `update-domain` CLI. Em seguida, você precisa excluir o RStudio ServerPro aplicativo existente usando o comando da `delete-app` CLI e criar um novo RStudio ServerPro aplicativo usando o comando da CLI`create-app`.
# Adicionar um URL do RStudio Connect
RStudio O Connect é uma plataforma de publicação para aplicativos Shiny, relatórios R Markdown, painéis, gráficos e muito mais. RStudio O Connect facilita a descoberta de insights sobre aprendizado de máquina e ciência de dados, tornando a hospedagem de conteúdo simples e escalável. Se você tiver um servidor RStudio Connect, poderá definir o servidor como o local padrão em que os aplicativos são publicados. Para obter mais informações sobre o RStudio Connect, consulte [RStudio Connect](https://www.rstudio.com/products/connect/).
Quando você se integra ao RStudio no domínio Amazon SageMaker AI, um servidor do RStudio Connect não é criado. Você pode criar um servidor RStudio Connect em uma instância do Amazon EC2 para usar o domínio Connect with SageMaker Amazon AI. Para obter informações sobre como configurar seu servidor RStudio Connect, consulte [Host RStudio Connect e Package Manager para desenvolvimento de ML RStudio na Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/host-rstudio-connect-and-package-manager-for-ml-development-in-rstudio-on-amazon-sagemaker/).
**Adicionar um URL do RStudio Connect**
Se você tiver um RStudio Connect URL, poderá atualizar o URL padrão para que seus RStudio usuários possam publicar nele.
1. Navegue até a página **domínios**.
1. Selecione o domínio desejado.
1. Escolha **Configurações de domínio**.
1. Em **Configurações gerais**, selecione **Editar**.
1. Na nova página, selecione **RStudio Configurações** no lado esquerdo.
1. Em **RStudio Connect URL**, insira o RStudio Connect URL a ser adicionado.
1. Selecione **Submit (Enviar)**.
**CLI**
Você pode definir um RStudio Connect URL padrão ao criar seu domínio. A única maneira de atualizar seu RStudio Connect URL a partir do AWS CLI é excluir seu domínio e criar um novo com o RStudio Connect URL atualizado.
# Atualizar o URL RStudio do Package Manager
RStudio O Package Manager é um servidor de gerenciamento de repositórios usado para organizar e centralizar pacotes em toda a organização. Para obter mais informações sobre o RStudio Package Manager, consulte [RStudio Package Manager](https://www.rstudio.com/products/package-manager/). Se você não fornecer sua própria URL do Package Manager, o domínio Amazon SageMaker AI usa o repositório padrão do Package Manager quando você se integra RStudio seguindo as etapas em. [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md) Para obter mais informações, consulte [Host RStudio Connect and Package Manager para desenvolvimento de ML RStudio na Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/host-rstudio-connect-and-package-manager-for-ml-development-in-rstudio-on-amazon-sagemaker/). O procedimento a seguir mostra como atualizar a URL do Gerenciador de pacotes.
**Atualizar URL do Gerenciador de pacotes**
Você pode atualizar a URL do Package Manager usada para seu domínio RStudio habilitado da seguinte maneira.
1. Navegue até a página **domínios**.
1. Selecione o domínio desejado.
1. Escolha **Configurações de domínio**.
1. Em **Configurações gerais**, selecione **Editar**.
1. Na nova página, selecione **RStudio Configurações** no lado esquerdo.
1. Em **RStudio Package Manager**, insira sua URL RStudio do Package Manager.
1. Selecione **Submit (Enviar)**.
**CLI**
A única maneira de atualizar a URL do Package Manager a partir do AWS CLI é excluir seu domínio e criar um novo com a URL atualizada do Package Manager.
# Crie um domínio Amazon SageMaker AI RStudio usando o AWS CLI
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
O tópico a seguir mostra como fazer a integração com o domínio Amazon SageMaker AI com a RStudio habilitação usando o. AWS CLI Para fazer a integração usando o Console de gerenciamento da AWS, consulte[Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
## Pré-requisitos
+ Instalar e configurar a [versão 2 do AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv2.html)
+ Configure o [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-quickstart.html#cli-configure-quickstart-config)com credenciais do IAM
## Criar função do `DomainExecution`
Para iniciar o RStudio aplicativo, você deve fornecer uma `DomainExecution` função. Essa função é usada para determinar se RStudio precisa ser lançada como parte da criação do domínio Amazon SageMaker AI. Essa função também é usada pela Amazon SageMaker AI para acessar a RStudio licença e enviar RStudio registros.
**nota**
A `DomainExecution` função deve ter pelo menos AWS License Manager permissões para acessar a RStudio Licença e CloudWatch permissões para enviar registros em sua conta.
O procedimento a seguir mostra como criar a função `DomainExecution` com o AWS CLI.
1. Crie um arquivo chamado `assume-role-policy.json` com o conteúdo a seguir.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Action": "sts:AssumeRole",
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
}
}
]
}
```
------
1. Crie a função `DomainExecution`. `` deve ser a região da AWS na qual lançar seu domínio.
```
aws iam create-role --region --role-name DomainExecution --assume-role-policy-document file://assume-role-policy.json
```
1. Crie um arquivo chamado `domain-setting-policy.json` com o conteúdo a seguir. Essa política permite que o RStudio ServerPro aplicativo acesse os recursos necessários e permite que a Amazon SageMaker AI inicie automaticamente um RStudio ServerPro aplicativo quando o RStudio ServerPro aplicativo existente estiver em um `Failed` status `Deleted` ou.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "VisualEditor0",
"Effect": "Allow",
"Action": [
"license-manager:ExtendLicenseConsumption",
"license-manager:ListReceivedLicenses",
"license-manager:GetLicense",
"license-manager:CheckoutLicense",
"license-manager:CheckInLicense",
"logs:CreateLogDelivery",
"logs:CreateLogGroup",
"logs:CreateLogStream",
"logs:DeleteLogDelivery",
"logs:Describe*",
"logs:GetLogDelivery",
"logs:GetLogEvents",
"logs:ListLogDeliveries",
"logs:PutLogEvents",
"logs:PutResourcePolicy",
"logs:UpdateLogDelivery",
"sagemaker:CreateApp"
],
"Resource": "*"
}
]
}
```
------
1. Crie a política de configuração de domínio anexada à função `DomainExecution`. Fique atento ao `PolicyArn` da resposta, pois você precisará inserir esse ARN nas etapas a seguir.
```
aws iam create-policy --region --policy-name domain-setting-policy --policy-document file://domain-setting-policy.json
```
1. Anexe `domain-setting-policy` à função `DomainExecution`. Use o `PolicyArn` retornado na etapa anterior.
```
aws iam attach-role-policy --role-name DomainExecution --policy-arn
```
## Crie um domínio Amazon SageMaker AI com o RStudio aplicativo
O RStudio ServerPro aplicativo é iniciado automaticamente quando você cria um domínio Amazon SageMaker AI usando o comando `create-domain` CLI com o `RStudioServerProDomainSettings` parâmetro especificado. Ao iniciar o RStudio ServerPro aplicativo, a Amazon SageMaker AI verifica se há uma RStudio licença válida na conta e falha na criação do domínio se a licença não for encontrada.
A criação de um domínio Amazon SageMaker AI difere com base no método de autenticação e no tipo de rede. Essas opções devem ser usadas em conjunto com um método de autenticação e um tipo de conexão de rede selecionados. Para obter mais informações sobre os requisitos para criar um novo domínio, consulte [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html).
Os seguintes métodos de autenticação são compatíveis:
+ `IAM Auth`
+ `SSO Auth`
Os seguintes tipos de conexão de rede são compatíveis:
+ `PublicInternet`
+ `VPCOnly`
### Métodos de autenticação
**Modo de autenticação do IAM**
A seguir, mostramos como criar um domínio Amazon SageMaker AI com RStudio habilitado e um tipo de `IAM Auth` rede. Para obter mais informações sobre AWS Identity and Access Management, consulte [O que é IAM?](https://docs.aws.amazon.com/IAM/latest/UserGuide/introduction.html) .
+ `DomainExecutionRoleArn` deve ser o ARN da função criada na etapa anterior.
+ `ExecutionRole`é o ARN da função atribuída aos usuários no domínio Amazon SageMaker AI.
+ `vpc-id`deve ser o ID da sua Amazon Virtual Private Cloud. `subnet-ids`deve ser uma lista de sub-rede separada por espaços. IDs Para obter informações sobre `vpc-id` e`subnet-ids`, consulte [VPCs e sub-redes](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html).
+ `RStudioPackageManagerUrl`e `RStudioConnectUrl` são opcionais e devem ser configurados como os URLs do seu servidor RStudio Package Manager e RStudio Connect, respectivamente.
+ `app-network-access-type` deve ser `PublicInternetOnly` ou `VPCOnly`.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode IAM \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type
```
**Autenticação usando o IAM Identity Center**
A seguir, mostramos como criar um domínio Amazon SageMaker AI com RStudio habilitado e um tipo de `SSO Auth` rede. Centro de Identidade do AWS IAM deve estar habilitado para a região em que o domínio foi lançado. Para obter mais informações sobre o IAM Identity Center, consulte [O que é Centro de Identidade do AWS IAM?](https://docs.aws.amazon.com/singlesignon/latest/userguide/what-is.html) .
+ `DomainExecutionRoleArn` deve ser o ARN da função criada na etapa anterior.
+ `ExecutionRole`é o ARN da função atribuída aos usuários no domínio Amazon SageMaker AI.
+ `vpc-id`deve ser o ID da sua Amazon Virtual Private Cloud. `subnet-ids`deve ser uma lista de sub-rede separada por espaços. IDs Para obter informações sobre `vpc-id` e`subnet-ids`, consulte [VPCs e sub-redes](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html).
+ `RStudioPackageManagerUrl`e `RStudioConnectUrl` são opcionais e devem ser configurados como os URLs do seu servidor RStudio Package Manager e RStudio Connect, respectivamente.
+ `app-network-access-type` deve ser `PublicInternetOnly` ou `VPCOnly`.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode SSO \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type
```
### Tipos de conexão
**PublicInternet/Tipo de rede direta de Internet**
A seguir, mostramos como criar um domínio Amazon SageMaker AI com RStudio habilitado e um tipo de `PublicInternet` rede.
+ `DomainExecutionRoleArn` deve ser o ARN da função criada na etapa anterior.
+ `ExecutionRole`é o ARN da função atribuída aos usuários no domínio Amazon SageMaker AI.
+ `vpc-id`deve ser o ID da sua Amazon Virtual Private Cloud. `subnet-ids`deve ser uma lista de sub-rede separada por espaços. IDs Para obter informações sobre `vpc-id` e`subnet-ids`, consulte [VPCs e sub-redes](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html).
+ `RStudioPackageManagerUrl`e `RStudioConnectUrl` são opcionais e devem ser configurados como os URLs do seu servidor RStudio Package Manager e RStudio Connect, respectivamente.
+ `auth-mode` deve ser `SSO` ou `IAM`.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type PublicInternetOnly
```
**VPCOnly modo**
A seguir, mostramos como iniciar um domínio Amazon SageMaker AI com RStudio habilitado e um tipo de `VPCOnly` rede. Para obter mais informações sobre como usar o tipo `VPCOnly` de acesso à rede, consulte [Conectar os cadernos do Studio em uma VPC para recursos externos](studio-notebooks-and-internet-access.md).
+ `DomainExecutionRoleArn` deve ser o ARN da função criada na etapa anterior.
+ `ExecutionRole`é o ARN da função atribuída aos usuários no domínio Amazon SageMaker AI.
+ `vpc-id`deve ser o ID da sua Amazon Virtual Private Cloud. `subnet-ids`deve ser uma lista de sub-rede separada por espaços. IDs Sua sub-rede privada deve ser capaz de acessar a Internet para fazer uma chamada para a Amazon SageMaker AI AWS License Manager e/ou ter endpoints Amazon VPC para Amazon SageMaker AI e. AWS License Manager[Para obter informações sobre endpoints do Amazon VPC, consulte Interface dos endpoints do [Amazon VPC](https://docs.aws.amazon.com/vpc/latest/privatelink/vpce-interface.html) Para obter informações sobre `vpc-id` e, consulte e sub-redes. `subnet-ids` VPCs ](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `SecurityGroups`deve permitir o acesso externo à SageMaker IA e aos AWS License Manager endpoints da Amazon.
+ `auth-mode` deve ser `SSO` ou `IAM`.
**nota**
Ao usar endpoints da nuvem privada virtual da Amazon, o grupo de segurança anexado aos endpoints da sua nuvem privada virtual Amazon deve permitir o tráfego de entrada vindo do grupo de segurança que você passa como parte do parâmetro `domain-setting` da chamada da CLI `create-domain`.
Com RStudio, a Amazon SageMaker AI gerencia grupos de segurança para você. Isso significa que a Amazon SageMaker AI gerencia as regras do grupo de segurança para garantir RSessions o acesso aos RStudio ServerPro aplicativos. A Amazon SageMaker AI cria uma regra de grupo de segurança por perfil de usuário.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode \
--default-user-settings SecurityGroups=,ExecutionRole= \
--domain-settings SecurityGroupIds=,RStudioServerProDomainSettings={DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids "" \
--app-network-access-type VPCOnly --app-security-group-management Service
```
Observação: o RStudio ServerPro aplicativo é iniciado por um perfil de usuário especial chamado`domain-shared`. Como resultado, esse aplicação não é retornado como parte das chamadas de API `list-app` por nenhum outro perfil de usuário.
Talvez seja necessário aumentar a cota do Amazon VPC em sua conta para aumentar o número de usuários. Para obter mais informações, consulte as [Amazon VPC cotas](https://docs.aws.amazon.com/vpc/latest/userguide/amazon-vpc-limits.html#vpc-limits-security-groups).
## Verifique a criação do domínio
Use o comando a seguir para verificar se seu domínio foi criado com um `Status` de `InService`. Seu `domain-id` é anexado ao ARN do domínio. Por exemplo, .`arn:aws:sagemaker:::domain/`
```
aws sagemaker describe-domain --domain-id --region
```
# Adicionar RStudio suporte a um domínio existente
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Se você adicionou uma RStudio licença por meio de AWS License Manager, você pode criar um novo domínio Amazon SageMaker AI com suporte para RStudio SageMaker IA. Se você tiver um domínio existente que não ofereça suporte RStudio, poderá adicionar RStudio suporte a esse domínio sem precisar excluir e recriar o domínio.
O tópico a seguir descreve como adicionar essa compatibilidade.
## Pré-requisitos
Você deve concluir as etapas a seguir antes de atualizar seu domínio atual para adicionar suporte RStudio à SageMaker IA.
+ Instalar e configurar a [versão 2 do AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv2.html)
+ Configure o [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-quickstart.html#cli-configure-quickstart-config)com credenciais do IAM
+ Crie uma função de execução de domínio seguindo as etapas em [Criar um domínio de SageMaker IA RStudio usando AWS CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-create-cli.html#rstudio-create-cli-domainexecution) o. Essa função do IAM em nível de domínio é exigida pelo aplicativo. RStudio ServerPro A função requer acesso AWS License Manager para verificar uma licença válida do Posit Workbench e Amazon CloudWatch Logs para publicar registros do servidor.
+ Traga sua RStudio licença para AWS License Manager seguir as etapas da [RStudiolicença](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-license.html).
+ (Opcional) Se você quiser usar RStudio no `VPCOnly` modo, conclua as etapas somente [RStudio em VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-network.html).
+ Certifique-se de que os grupos de segurança que você configurou para cada um [UserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)em seu domínio atendam às cotas no nível da conta. Ao configurar o perfil de usuário padrão durante a criação do domínio, você pode usar o `DefaultUserSettings` parâmetro da [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)API para adicionar os `SecurityGroups` que são herdados por todos os perfis de usuário criados no domínio. Você também pode fornecer grupos de segurança adicionais para um usuário específico como parte do `UserSettings` parâmetro da [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)API. Se você adicionou grupos de segurança dessa forma, deve garantir que o número total de grupos de segurança por perfil de usuário não exceda a cota máxima de 2 no modo `VPCOnly` e 4 no modo `PublicInternetOnly`. Se o resultado do número total de grupos de segurança para qualquer perfil de usuário exceder a cota, você poderá combinar as regras de vários grupos de segurança em um só grupo de segurança.
## Adicionar RStudio suporte a um domínio existente
Depois de concluir os pré-requisitos, você pode adicionar RStudio suporte ao seu domínio existente. As etapas a seguir descrevem como atualizar seu domínio existente para adicionar suporte ao. RStudio
### Etapa 1: exclua todos as aplicações no domínio
Para adicionar suporte ao seu domínio, a SageMaker IA deve atualizar os grupos de segurança subjacentes para todos os perfis de usuário existentes. RStudio Para concluir isso, você deve excluir e recriar todos as aplicações existentes no domínio. O procedimento a seguir mostra como excluir todos as aplicações.
1. Liste todos as aplicações no domínio.
```
aws sagemaker \
list-apps \
--domain-id-equals
```
1. Exclua cada aplicação para cada perfil de usuário no domínio.
```
// JupyterServer apps
aws sagemaker \
delete-app \
--domain-id \
--user-profile-name \
--app-type JupyterServer \
--app-name
// KernelGateway apps
aws sagemaker \
delete-app \
--domain-id \
--user-profile-name \
--app-type KernelGateway \
--app-name
```
### Etapa 2 - Atualize todos os perfis de usuário com a nova lista de grupos de segurança
Esta é uma ação única que você deve concluir para todos os perfis de usuário existentes no seu domínio depois de refatorar seus grupos de segurança existentes. Isto impede que você atinja a cota para o número máximo de grupos de segurança. A chamada `UpdateUserProfile` da API falhará se o usuário tiver algum aplicativo com [InService](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeApp.html#sagemaker-DescribeApp-response-Status)status. Exclua todos as aplicações e chame a API `UpdateUserProfile` para atualizar os grupos de segurança.
**nota**
O seguinte requisito de `VPCOnly` modo descrito em [Connect Amazon SageMaker Studio Classic Notebooks in a VPC to External Resources](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-and-internet-access.html#studio-notebooks-and-internet-access-vpc-only) não é mais necessário ao adicionar RStudio suporte porque `AppSecurityGroupManagement` é gerenciado pelo serviço de IA: SageMaker
“[Tráfego TCP dentro do grupo de segurança](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances). Isso é necessário para a conectividade entre o JupyterServer aplicativo e os KernelGateway aplicativos. Você deve permitir o acesso pelo menos às portas no intervalo `8192-65535`.”
```
aws sagemaker \
update-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
### Etapa 3 - Ative RStudio chamando a UpdateDomain API
1. Chame a [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)API para adicionar suporte para RStudio SageMaker IA. O parâmetro `defaultusersettings` só é necessário se você tiver refatorado os grupos de segurança padrão para seus perfis de usuário.
+ Para o modo `VPCOnly`:
```
aws sagemaker \
update-domain \
--domain-id \
--app-security-group-management Service \
--domain-settings-for-update RStudioServerProDomainSettingsForUpdate={DomainExecutionRoleArn=} \
--default-user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
+ Para o modo `PublicInternetOnly`:
```
aws sagemaker \
update-domain \
--domain-id \
--domain-settings-for-update RStudioServerProDomainSettingsForUpdate={DomainExecutionRoleArn=} \
--default-user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
1. Verifique se o status do domínio é `InService`. Depois que o status do domínio for`InService`, o suporte para RStudio SageMaker inteligência artificial será adicionado.
```
aws sagemaker \
describe-domain \
--domain-id
```
1. Verifique se o status do RStudio ServerPro aplicativo está `InService` usando o comando a seguir.
```
aws sagemaker list-apps --user-profile-name domain-shared
```
### Etapa 4 - Adicionar RStudio acesso para usuários existentes
Como parte da atualização na Etapa 3, a SageMaker IA marca todos os perfis RStudio [AccessStatus](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_RStudioServerProAppSettings.html#sagemaker-Type-RStudioServerProAppSettings-AccessStatus)de usuário existentes no domínio como `DISABLED` padrão. Isso evita que você ultrapasse o número de usuários permitido pela sua licença atual. Para adicionar acesso aos usuários existentes, há uma etapa única de ingresso. Execute o opt-in chamando a [UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html)API com o seguinte: [RStudioServerProAppSettings](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UserSettings.html#sagemaker-Type-UserSettings-RStudioServerProAppSettings)
+ `AccessStatus` = `ENABLED`
+ *Opcional* - `UserGroup` = `R_STUDIO_USER` ou `R_STUDIO_ADMIN`
```
aws sagemaker \
update-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"RStudioServerProAppSettings\": {\"AccessStatus\": \"ENABLED\"}}"
```
**nota**
Por padrão, o número de usuários que podem ter acesso RStudio é 60.
### Etapa 5 — Desativar o RStudio acesso para novos usuários
A menos que especificado de outra forma ao ligar`UpdateDomain`, o RStudio suporte é adicionado por padrão para todos os novos perfis de usuário criados após a adição do suporte para RStudio SageMaker IA. Para desativar o acesso a um novo perfil de usuário, você deve configurar explicitamente o parâmetro `AccessStatus` como `DISABLED`, como parte da chamada da API `CreateUserProfile`. Se o parâmetro `AccessStatus` não for especificado como parte da API `CreateUserProfile`, o status de acesso padrão será `ENABLED`.
```
aws sagemaker \
create-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"RStudioServerProAppSettings\": {\"AccessStatus\": \"DISABLED\"}}"
```
# Imagens personalizadas RStudio sem SageMaker IA
Uma SageMaker imagem é um arquivo que identifica pacotes de idiomas e outras dependências necessárias para execução RStudio na Amazon SageMaker AI. SageMaker A IA usa essas imagens para criar um ambiente onde você corre RStudio. A Amazon SageMaker AI fornece uma RStudio imagem integrada para você usar. Se precisar de uma funcionalidade diferente, você pode trazer suas próprias imagens personalizadas. Esta página fornece informações sobre os principais conceitos para usar imagens personalizadas com RStudio SageMaker IA. O processo para usar sua própria imagem RStudio na SageMaker IA envolve três etapas:
1. Crie uma imagem personalizada a partir de um Dockerfile e envie-a para um repositório no Amazon Elastic Container Registry (Amazon ECR).
1. Crie uma SageMaker imagem que aponte para uma imagem de contêiner no Amazon ECR e anexe-a ao seu domínio Amazon SageMaker AI.
1. Inicie uma nova sessão RStudio com sua imagem personalizada.
Você pode criar imagens e versões de imagens e anexar versões de imagem ao seu domínio usando o painel de controle de SageMaker IA [AWS SDK para Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html), o e o [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/). Você também pode criar imagens e versões de imagens usando o console de SageMaker IA, mesmo que não tenha se integrado a um domínio.
Os tópicos a seguir mostram como trazer sua própria imagem para RStudio a SageMaker IA criando, anexando e lançando uma imagem personalizada.
## Terminologia básica
A seção a seguir define os principais termos para usar sua própria imagem RStudio na SageMaker IA.
+ **Dockerfile:** um Dockerfile é um arquivo que identifica os pacotes de idiomas e outras dependências da sua imagem do Docker.
+ **Imagem do Docker:** a imagem do Docker é um Dockerfile embutido. Essa imagem é verificada no Amazon ECR e serve como base para a imagem de SageMaker IA.
+ **SageMaker imagem:** uma SageMaker imagem é um suporte para um conjunto de versões de SageMaker imagem com base em imagens do Docker.
+ **Versão da imagem:** uma versão de imagem de uma SageMaker imagem representa uma imagem do Docker que é compatível RStudio e armazenada em um repositório Amazon ECR. Cada versão da imagem é imutável. Essas versões de imagem podem ser anexadas a um domínio e usadas com RStudio SageMaker IA.
# Concluir os pré-requisitos
Você deve preencher os seguintes pré-requisitos antes de usar sua própria imagem na RStudio Amazon AI. SageMaker
+ Se você tem um domínio existente RStudio que foi criado antes de 7 de abril de 2022, você deve excluir seu RStudio ServerPro aplicativo e recriá-lo. Para obter informações sobre como excluir uma aplicação, consulte [Desligue e atualize o Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
+ Instale a aplicação Docker. Para obter informações sobre como configurar o Docker, consulte [Orientação e configuração](https://docs.docker.com/get-started/).
+ Crie uma cópia local de um Dockerfile RStudio compatível que funcione com IA. SageMaker Para obter informações sobre como criar um RStudio dockerfile de amostra, consulte [Usar uma imagem personalizada para trazer seu próprio ambiente de desenvolvimento para a RStudio Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/use-a-custom-image-to-bring-your-own-development-environment-to-rstudio-on-amazon-sagemaker/).
+ Use uma função AWS Identity and Access Management de execução que tenha a [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política anexada. Se você se integrou ao domínio, pode obter a função na seção **Resumo do domínio** do painel de controle de SageMaker IA.
Adicione as seguintes permissões de acesso ao serviço Amazon Elastic Container Registry (Amazon ECR) para seu perfil de execução:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement":[
{
"Sid": "VisualEditor0",
"Effect":"Allow",
"Action":[
"ecr:CreateRepository",
"ecr:BatchGetImage",
"ecr:CompleteLayerUpload",
"ecr:DescribeImages",
"ecr:DescribeRepositories",
"ecr:UploadLayerPart",
"ecr:ListImages",
"ecr:InitiateLayerUpload",
"ecr:BatchCheckLayerAvailability",
"ecr:PutImage"
],
"Resource": "*"
}
]
}
```
------
+ Instale e configure AWS CLI com a seguinte versão (ou superior). Para obter informações sobre como instalar o AWS CLI, consulte [Instalando ou atualizando a versão mais recente do AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
```
AWS CLI v1 >= 1.23.6
AWS CLI v2 >= 2.6.2
```
# Especificações de RStudio imagem personalizadas
Neste guia, você aprenderá as especificações de RStudio imagem personalizadas para usar ao trazer sua própria imagem. Há dois conjuntos de requisitos que você deve satisfazer com sua RStudio imagem personalizada para usá-la com a Amazon SageMaker AI. Esses requisitos são impostos pelo RStudio PBC e pela plataforma Amazon SageMaker Studio Classic. Se algum desses conjuntos de requisitos não for satisfeito, sua imagem personalizada não funcionará corretamente.
## RStudio Requisitos de PBC
RStudio Os requisitos de PBC estão descritos no artigo [Usando imagens do Docker com RStudio Workbench RStudio /Server Pro, Launcher](https://support.rstudio.com/hc/en-us/articles/360019253393-Using-Docker-images-with-RStudio-Server-Pro-Launcher-and-Kubernetes) e Kubernetes. Siga as instruções deste artigo para criar a base da sua RStudio imagem personalizada.
Para obter instruções sobre como instalar várias versões do R em sua imagem personalizada, consulte [Instalando várias versões do R no Linux](https://support.rstudio.com/hc/en-us/articles/215488098).
## Requisitos do Amazon SageMaker Studio Classic
O Amazon SageMaker Studio Classic impõe o seguinte conjunto de requisitos de instalação para sua RStudio imagem.
+ Você deve usar uma imagem RStudio base de pelo menos`2025.05.1+513.pro3`. Para obter mais informações, consulte [RStudio Controle de versão](rstudio-version.md).
+ Você deverá instalar os seguintes pacotes:
```
yum install -y sudo \
openjdk-11-jdk \
libpng-dev \
&& yum clean all \
&& /opt/R/${R_VERSION}/bin/R -e "install.packages('reticulate', repos='https://packagemanager.rstudio.com/cran/__linux__/centos7/latest')" \
&& /opt/python/${PYTHON_VERSION}/bin/pip install --upgrade \
'boto3>1.0<2.0' \
'awscli>1.0<2.0' \
'sagemaker[local]<3'
```
+ Você deve fornecer valores padrão para os valores do `RSTUDIO_CONNECT_URL` e do ambiente `RSTUDIO_PACKAGE_MANAGER_URL`.
```
ENV RSTUDIO_CONNECT_URL "YOUR_CONNECT_URL"
ENV RSTUDIO_PACKAGE_MANAGER_URL "YOUR_PACKAGE_MANAGER_URL"
ENV RSTUDIO_FORCE_NON_ZERO_EXIT_CODE 1
```
As especificações gerais a seguir se aplicam à imagem representada por uma versão RStudio da imagem.
**Executando a imagem**
`ENTRYPOINT`e `CMD` as instruções são substituídas para que a imagem seja executada como um RSession aplicativo.
**Interrompendo a imagem**
A API `DeleteApp` emite o equivalente a um comando `docker stop`. Outros processos no contêiner não receberão os SIGKILL/SIGTERM sinais.
**Sistema de arquivos**
Os diretórios `/opt/.sagemakerinternal` e `/opt/ml` são reservados. Qualquer dado nesses diretórios pode não estar visível em runtime.
**Dados do usuário**
Cada usuário em um domínio de SageMaker IA obtém um diretório de usuários em um volume compartilhado do Amazon Elastic File System na imagem. A localização do diretório do usuário atual no volume do Amazon Elastic File System é `/home/sagemaker-user`.
**Metadados**
Um arquivo de metadados está localizado em `/opt/ml/metadata/resource-metadata.json`. Nenhuma variável de ambiente adicional é incluída às variáveis definidas na imagem. Para obter mais informações, consulte [Obter metadados da aplicação](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app).
**GPU**
Em uma instância de GPU, a imagem é executada com a opção `--gpus`. Somente o kit de ferramentas CUDA deve ser incluído na imagem, não os drivers da NVIDIA. Para obter mais informações, consulte o [Guia do usuário do NVIDIA](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/user-guide.html).
**Métricas e registro em log**
Os registros do RSession processo são enviados para a Amazon CloudWatch na conta do cliente. O nome do grupo de logs é `/aws/sagemaker/studio`. O nome do fluxo de logs é `$domainID/$userProfileName/RSession/$appName`.
**Tamanho da imagem**
O tamanho da imagem é limitado a 25 GB. Para ver o tamanho da sua imagem, execute `docker image ls`.
# Crie uma RStudio imagem personalizada
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Este tópico descreve como você pode criar uma RStudio imagem personalizada usando o console SageMaker AI e AWS CLI o. Se você usar o AWS CLI, deverá executar as etapas em sua máquina local. As etapas a seguir não funcionam no Amazon SageMaker Studio Classic.
Quando você cria uma imagem, a SageMaker IA também cria uma versão inicial da imagem. A versão da imagem representa uma imagem de contêiner no [Registro de contêiner Amazon Elastic Container Registry (ECR)](https://console.aws.amazon.com/ecr/). A imagem do contêiner deve atender aos requisitos a serem usados em RStudio. Para obter mais informações, consulte [Especificações de RStudio imagem personalizadas](rstudio-byoi-specs.md).
Para obter informações sobre como testar sua imagem localmente e resolver problemas comuns, consulte o [repositório SageMaker Studio Custom Image Samples](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md).
**Topics**
+ [Adicione uma imagem de SageMaker contêiner RStudio Docker compatível com IA ao Amazon ECR](#rstudio-byoi-sdk-add-container-image)
+ [Crie uma SageMaker imagem a partir do console](#rstudio-byoi-create-console)
+ [Crie uma imagem a partir do AWS CLI](#rstudio-byoi-create-cli)
## Adicione uma imagem de SageMaker contêiner RStudio Docker compatível com IA ao Amazon ECR
Use as seguintes etapas para adicionar uma imagem de contêiner do Docker ao Amazon ECR:
+ Crie um repositório do Amazon ECR.
+ Autentique no Amazon ECR.
+ Crie uma imagem RStudio Docker SageMaker compatível com IA.
+ Empurre a imagem para o repositório do Amazon ECR.
**nota**
O repositório Amazon ECR deve estar no mesmo que seu Região da AWS domínio.
**Criar e adicionar uma imagem do Docker ao Amazon ECR**
1. Crie um repositório do Amazon ECR usando a AWS CLI. Para criar o repositório usando o console do Amazon ECR, consulte [Criação de um repositório](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--repository-name rstudio-custom \
--image-scanning-configuration scanOnPush=true
```
Resposta:
```
{
"repository": {
"repositoryArn": "arn:aws:ecr:us-east-2:acct-id:repository/rstudio-custom",
"registryId": "acct-id",
"repositoryName": "rstudio-custom",
"repositoryUri": "acct-id.dkr.ecr.us-east-2.amazonaws.com/rstudio-custom",
...
}
}
```
1. Autentique-se no Amazon ECR usando o URI do repositório retornado como resposta do comando `create-repository`. Certifique-se de que a aplicação Docker está em execução. Para obter mais informações, consulte [Autenticação de registro](https://docs.aws.amazon.com/AmazonECR/latest/userguide/Registries.html#registry_auth).
```
aws ecr get-login-password | \
docker login --username AWS --password-stdin
```
Resposta:
```
Login Succeeded
```
1. Crie a imagem do Docker. Execute o seguinte comando no diretório que inclui seu Dockerfile:
```
docker build .
```
1. Marque sua imagem criada com uma tag exclusiva.
```
docker tag ":"
```
1. Empurre a imagem de contêiner para o repositório do Amazon ECR. Para obter mais informações, consulte [ImagePush](https://docs.docker.com/engine/api/v1.40/#operation/ImagePush)[Enviar uma imagem](https://docs.aws.amazon.com/AmazonECR/latest/userguide/docker-push-ecr-image.html).
```
docker push :
```
Resposta:
```
The push refers to repository [.dkr.ecr.us-east-2.amazonaws.com/rstudio-custom]
r: digest: size: 3066
```
## Crie uma SageMaker imagem a partir do console
**Criar uma imagem**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Imagens**.
1. Na página **Imagens personalizadas**, escolha **Criar imagem**.
1. Em **Fonte da imagem**, insira o caminho do registro para a imagem de contêiner no Amazon ECR. O caminho é tem o seguinte formato:
` acct-id.dkr.ecr.region.amazonaws.com/repo-name[:tag] or [@digest] `
1. Escolha **Próximo**.
1. Em **Propriedades da imagem**, insira o seguinte:
+ Nome da imagem: O nome deve ser exclusivo para a sua conta Região da AWS atual.
+ (Opcional) Nome de exibição da imagem: O nome exibido na interface de usuário do domínio. Quando não fornecido, `Image name` é exibido.
+ (Opcional) Descrição: uma descrição da imagem.
+ Função do IAM — A função deve ter a [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política anexada. Use a lista suspensa para escolher uma das seguintes opções:
+ Criar um novo perfil: Especifique quaisquer buckets adicionais do Amazon Simple Storage Service (Amazon S3) aos quais você deseja que os usuários dos cadernos tenham acesso. Se não quiser permitir acesso a buckets adicionais, escolha **Nenhum**.
SageMaker A IA atribui a `AmazonSageMakerFullAccess` política à função. A função permite que os usuários de seus cadernos tenham acesso aos buckets do S3 listados ao lado das marcas de verificação.
+ Insira um ARN do perfil do IAM personalizado: Insira o nome do recurso da Amazon (ARN) da perfil do IAM.
+ Uso da função existente: Escolha uma das suas funções existentes na lista.
+ (Opcional) Tags de imagem: Escolha **Adicionar nova tag**. É possível adicionar até 50 tags. As tags podem ser pesquisadas usando o console de SageMaker IA ou a `Search` API de SageMaker IA.
1. Em **Tipo de imagem**, selecione RStudio imagem.
1. Escolha **Enviar**.
A nova imagem é exibida na lista de **imagens personalizadas** e destacada brevemente. Depois que a imagem for criada com êxito, você poderá escolher o nome da imagem para ver suas propriedades ou escolher **Criar versão** para criar outra versão.
**Para criar outra versão da imagem**
1. Escolha **Criar versão** na mesma linha da imagem.
1. Em **Fonte da imagem**, insira o caminho do registro para a imagem do Amazon ECR. A imagem não deve ser a mesma usada em uma versão anterior da imagem de SageMaker IA.
Para usar a imagem personalizada em RStudio, você deve anexá-la ao seu domínio. Para obter mais informações, consulte [Anexar uma SageMaker imagem personalizada](rstudio-byoi-attach.md).
## Crie uma imagem a partir do AWS CLI
Esta seção mostra como criar uma SageMaker imagem personalizada da Amazon usando AWS CLI o.
Use as etapas a seguir para criar uma SageMaker imagem:
+ Crie uma `Image`.
+ Crie uma `ImageVersion`.
+ Criar um arquivo de configuração.
+ Crie uma `AppImageConfig`.
**Para criar as entidades SageMaker de imagem**
1. Crie uma SageMaker imagem. O ARN do perfil deve ter pelo menos a política `AmazonSageMakerFullAccessPolicy` anexada.
```
aws sagemaker create-image \
--image-name rstudio-custom-image \
--role-arn arn:aws:iam:::role/service-role/
```
Resposta:
```
{
"ImageArn": "arn:aws:sagemaker:us-east-2:acct-id:image/rstudio-custom-image"
}
```
1. Crie uma versão de SageMaker imagem a partir da imagem. Passe o valor de tag exclusivo que você escolheu ao enviar a imagem para o Amazon ECR.
```
aws sagemaker create-image-version \
--image-name rstudio-custom-image \
--base-image :
```
Resposta:
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/rstudio-image/1"
}
```
1. Verifique se a versão da imagem foi criada com sucesso.
```
aws sagemaker describe-image-version \
--image-name rstudio-custom-image \
--version 1
```
Resposta:
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/rstudio-custom-image/1",
"ImageVersionStatus": "CREATED"
}
```
**nota**
Se a resposta for `"ImageVersionStatus": "CREATED_FAILED"`, ela também incluirá o motivo da falha. Um problema de permissão é uma causa comum de falha. Você também pode verificar seus Amazon CloudWatch Logs. O nome do grupo de logs é `/aws/sagemaker/studio`. O nome do fluxo de logs é `$domainID/$userProfileName/KernelGateway/$appName`.
1. Crie um arquivo de configuração denominado `app-image-config-input.json`. A configuração da imagem do aplicativo é usada para configurar a execução de uma SageMaker imagem como um aplicativo Kernel Gateway.
```
{
"AppImageConfigName": "rstudio-custom-config"
}
```
1. Crie o AppImageConfig usando o arquivo que você criou na etapa anterior.
```
aws sagemaker create-app-image-config \
--cli-input-json file://app-image-config-input.json
```
Resposta:
```
{
"AppImageConfigArn": "arn:aws:sagemaker:us-east-2:acct-id:app-image-config/r-image-config"
}
```
# Anexar uma SageMaker imagem personalizada
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Este guia mostra como anexar uma RStudio imagem personalizada ao seu domínio Amazon SageMaker AI usando o console de SageMaker IA ou o AWS Command Line Interface (AWS CLI).
Para usar uma SageMaker imagem personalizada, você deve anexar uma RStudio imagem personalizada ao seu domínio. Quando você anexa uma versão de imagem, ela aparece no RStudio Launcher e está disponível na lista suspensa **Selecionar imagem**. Você usa o menu suspenso para alterar a imagem usada por. RStudio
Há um limite para o número de versões de imagens que você pode anexar. Depois de atingir o limite, você deve primeiro separar uma versão para poder anexar uma versão diferente da imagem.
**Topics**
+ [Anexe uma versão da imagem ao seu domínio usando o console](#rstudio-byoi-attach-console)
+ [Anexe uma versão de imagem existente ao seu domínio usando o AWS CLI](#rstudio-byoi-attach-cli)
## Anexe uma versão da imagem ao seu domínio usando o console
Você pode anexar uma versão de SageMaker imagem personalizada ao seu domínio usando o painel de controle do console SageMaker AI. Você também pode criar uma SageMaker imagem personalizada e uma versão da imagem e, em seguida, anexar essa versão ao seu domínio.
**Para anexar uma imagem existente**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Selecione o domínio desejado.
1. Escolha **Ambiente**.
1. Em **Imagens do Custom SageMaker Studio Classic anexadas ao domínio**, escolha **Anexar imagem**.
1. Em **Fonte da imagem**, escolha **Imagem existente** ou **Nova imagem**.
Se você selecionar **Imagem existente**, escolha uma imagem na loja de SageMaker imagens da Amazon.
Se você selecionar **Nova imagem**, forneça o caminho de registro do Amazon ECR para sua imagem do Docker. O caminho deve estar no mesmo Região da AWS que o domínio. O repositório Amazon ECR deve estar na mesma conta do seu domínio, ou as permissões entre contas para SageMaker IA devem estar habilitadas.
1. Escolha uma imagem existente na lista.
1. Escolha uma versão da imagem na lista.
1. Escolha **Próximo**.
1. Insira valores para **Nome da imagem**, **Nome de exibição da imagem** e **Descrição**.
1. Escolha o Perfil do IAM. Para obter mais informações, consulte [Crie uma RStudio imagem personalizada](rstudio-byoi-create.md).
1. (Opcional) Adicione tags à imagem.
1. (Opcional) Escolha **Adicionar nova tag** e, em seguida, adicione uma tag de configuração.
1. Em **Tipo de imagem**, selecione **RStudioImagem**.
1. Selecione **Enviar**.
Aguarde até que a versão da imagem seja anexada ao domínio. Depois que a versão é anexada, ela aparece na lista de **imagens personalizadas** e fica brevemente em destaque.
## Anexe uma versão de imagem existente ao seu domínio usando o AWS CLI
Dois métodos são apresentados para anexar a versão da imagem ao seu domínio usando a AWS CLI. No primeiro método, você cria um novo domínio com a versão anexada. Esse método é mais simples, mas você deve especificar as informações e a função de execução da Amazon Virtual Private Cloud (Amazon VPC) necessárias para criar o domínio.
Se você já se integrou ao domínio, pode usar o segundo método para anexar a versão da imagem ao seu domínio atual. Nesse caso, você não precisa especificar as informações e a função de execução do Amazon VPC. Depois de anexar a versão, exclua todos os aplicativos em seu domínio e RStudio reinicie.
### Anexar a SageMaker imagem a um novo domínio
Para usar esse método, você deve especificar uma função de execução que tenha a [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política anexada.
Use as etapas a seguir para criar o domínio e anexar a imagem de SageMaker IA personalizada:
+ Obtenha seu ID de VPC e sub-rede padrão. IDs
+ Crie o arquivo de configuração para o domínio, que especifica a imagem.
+ Crie um domínio com o arquivo de configuração.
**Para adicionar a SageMaker imagem personalizada ao seu domínio**
1. Obtenha seu ID de VPC padrão.
```
aws ec2 describe-vpcs \
--filters Name=isDefault,Values=true \
--query "Vpcs[0].VpcId" --output text
```
Resposta:
```
vpc-xxxxxxxx
```
1. Obtenha sua sub-rede padrão IDs usando o ID da VPC da etapa anterior.
```
aws ec2 describe-subnets \
--filters Name=vpc-id,Values= \
--query "Subnets[*].SubnetId" --output json
```
Resposta:
```
[
"subnet-b55171dd",
"subnet-8a5f99c6",
"subnet-e88d1392"
]
```
1. Crie um arquivo de configuração denominado `create-domain-input.json`. Insira o ID da VPC, a sub-rede IDs e `ImageName` as etapas `AppImageConfigName` anteriores. Como o `ImageVersionNumber` não está especificado, a versão mais recente da imagem é usada, que é a única versão nesse caso. A função de execução deve atender aos requisitos em [Concluir os pré-requisitos](rstudio-byoi-prerequisites.md).
```
{
"DomainName": "domain-with-custom-r-image",
"VpcId": "",
"SubnetIds": [
""
],
"DomainSettings": {
"RStudioServerProDomainSettings": {
"DomainExecutionRoleArn": ""
}
},
"DefaultUserSettings": {
"ExecutionRole": "",
"RSessionAppSettings": {
"CustomImages": [
{
"AppImageConfigName": "rstudio-custom-config",
"ImageName": "rstudio-custom-image"
}
]
}
},
"AuthMode": "IAM"
}
```
1. Crie o domínio com a SageMaker imagem personalizada anexada.
```
aws sagemaker create-domain \
--cli-input-json file://create-domain-input.json
```
Resposta:
```
{
"DomainArn": "arn:aws:sagemaker:region:acct-id:domain/domain-id",
"Url": "https://domain-id.studio.region.sagemaker.aws/..."
}
```
### Anexar a SageMaker imagem a um domínio existente
Este método pressupõe que você já esteja integrado ao domínio. Para obter mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md).
**nota**
Você deve excluir todas as aplicações no seu domínio para atualizar o domínio com a nova versão de imagem. Para obter informações sobre como excluir esses aplicações, consulte [Excluir um domínio da Amazon SageMaker AI](gs-studio-delete-domain.md).
Use as etapas a seguir para adicionar a SageMaker imagem ao seu domínio atual.
+ Obtenha o seu no console `DomainID` de SageMaker IA.
+ Use o `DomainID` para obter o `DefaultUserSettings` para o domínio.
+ Adicione o `ImageName` e `AppImageConfig` como uma `CustomImage` ao `DefaultUserSettings`.
+ Atualize seu domínio para incluir a imagem personalizada.
**Para adicionar a SageMaker imagem personalizada ao seu domínio**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Selecione o domínio desejado.
1. Escolha **Configurações de domínio**.
1. Em **Configurações gerais**, encontre o **ID do domínio**. O ID está no seguinte formato: `d-xxxxxxxxxxxx`.
1. Use o ID do domínio para obter a descrição do domínio.
```
aws sagemaker describe-domain \
--domain-id
```
Resposta:
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Salve a seção `DefaultUserSettings` da resposta em um arquivo chamado `update-domain-input.json`.
1. Insira o `ImageName` e o `AppImageConfigName` das etapas anteriores como uma imagem personalizada. Como o `ImageVersionNumber` não está especificado, a versão mais recente da imagem é usada, que é a única versão nesse caso.
```
{
"DefaultUserSettings": {
"RSessionAppSettings": {
"CustomImages": [
{
"ImageName": "rstudio-custom-image",
"AppImageConfigName": "rstudio-custom-config"
}
]
}
}
}
```
1. Use o ID do domínio e o arquivo de configurações padrão do usuário para atualizar seu domínio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://update-domain-input.json
```
Resposta:
```
{
"DomainArn": "arn:aws:sagemaker:region:acct-id:domain/domain-id"
}
```
1. Exclua a aplicação do `RStudioServerPro`. Você deve reiniciar o aplicativo de `RStudioServerPro` domínio compartilhado para a interface do usuário do RStudio Launcher para obter as alterações mais recentes.
```
aws sagemaker delete-app \
--domain-id --user-profile-name domain-shared \
--app-type RStudioServerPro --app-name default
```
1. Para criar um nova aplicação `RStudioServerPro`. Você deve criar esse aplicação usando o AWS CLI.
```
aws sagemaker create-app \
--domain-id --user-profile-name domain-shared \
--app-type RStudioServerPro --app-name default
```
# Inicie uma SageMaker imagem personalizada no RStudio
Você pode usar sua imagem personalizada ao iniciar um RStudio aplicativo a partir do console. Depois de criar sua SageMaker imagem personalizada e anexá-la ao seu domínio, a imagem aparece na caixa de diálogo do seletor de imagens do RStudio Launcher. Para iniciar um novo RStudio aplicativo, siga as etapas [Inicie RSessions a partir do RStudio Launcher](rstudio-launcher.md) e selecione sua imagem personalizada conforme mostrado na imagem a seguir.
![\[Captura de tela do RStudio lançador com menu suspenso de imagens.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/rstudio-launcher-custom.png)
# Limpeza do recurso de imagem
Este guia mostra como limpar os recursos de RStudio imagem que você criou nas seções anteriores. Para excluir uma imagem, conclua as etapas a seguir usando o console SageMaker AI ou o AWS CLI, conforme mostrado neste guia.
+ Separe a imagem e as versões da imagem do seu domínio Amazon SageMaker AI.
+ Exclua a imagem, a versão da imagem e a configuração da imagem da aplicação.
Depois de concluir essas etapas, você pode excluir a imagem de contêiner e o repositório do Amazon ECR. Para obter mais informações sobre como excluir a imagem de contêiner e o repositório, consulte [Excluir um repositório](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-delete.html).
## Limpe os recursos do console de SageMaker IA
Quando você separa uma imagem de um domínio, todas as versões da imagem são separadas. Quando uma imagem é separada, todos os usuários do domínio perdem o acesso às versões da imagem.
**Para desassociar uma imagem**
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. No painel de navegação à esquerda, escolha **Configurações do administrador**.
1. Em **Configurações do administrador**, escolha **Domínios**.
1. Selecione o domínio desejado.
1. Escolha **Ambiente**.
1. Em **Imagens personalizadas anexadas ao domínio**, escolha a imagem e escolha **Desassociar**.
1. (Opcional) Para excluir a imagem e todas as versões do SageMaker AI, selecione **Também excluir as imagens selecionadas...** . Isso não exclui as imagens associadas do Amazon ECR.
1. Escolha **Desassociar**.
## Limpe os recursos do AWS CLI
**Para limpar os recursos**
1. Separe a imagem e as versões da imagem do seu domínio passando uma lista vazia de imagens personalizadas para o domínio. Abra o arquivo `update-domain-input.json` que você criou em [Anexe a SageMaker imagem ao seu domínio atual](studio-byoi-attach.md#studio-byoi-sdk-attach-current-domain).
1. Exclua as imagens personalizadas `RSessionAppSettings` e salve o arquivo. Não modifique as imagens personalizadas `KernelGatewayAppSettings`.
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
},
"RSessionAppSettings": {
"CustomImages": [
],
"DefaultResourceSpec": {
}
...
}
}
}
```
1. Use o ID do domínio e o arquivo de configurações padrão do usuário para atualizar seu domínio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://update-domain-input.json
```
Resposta:
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
1. Exclua a configuração da imagem da aplicação.
```
aws sagemaker delete-app-image-config \
--app-image-config-name rstudio-image-config
```
1. Exclua a SageMaker imagem, o que também exclui todas as versões da imagem. As imagens de contêiner no Amazon ECR que são representadas pelas versões da imagem não são excluídas.
```
aws sagemaker delete-image \
--image-name rstudio-image
```
# Crie um usuário para usar RStudio
**Importante**
Políticas personalizadas do IAM que permitem que o Amazon SageMaker SageMaker Studio ou o Amazon Studio Classic criem SageMaker recursos da Amazon também devem conceder permissões para adicionar tags a esses recursos. A permissão para adicionar tags aos recursos é necessária porque o Studio e o Studio Classic marcam automaticamente todos os recursos que eles criam. Se uma política do IAM permitir que o Studio e o Studio Classic criem recursos, mas não permitisse a marcação, erros AccessDenied "" podem ocorrer ao tentar criar recursos. Para obter mais informações, consulte [Forneça permissões para marcar recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gerenciadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que dão permissões para criar SageMaker recursos já incluem permissões para adicionar tags ao criar esses recursos.
Depois que seu domínio Amazon SageMaker AI RStudio habilitado estiver em execução, você poderá adicionar perfis de usuário (UserProfiles) ao domínio. Os tópicos a seguir mostram como criar perfis de usuário autorizados a usar RStudio, bem como atualizar um perfil de usuário existente. Para obter informações sobre como excluir um RStudio aplicativo ou domínio UserProfile, siga as etapas em [Excluir um domínio da Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-delete-domain.html).
**nota**
O limite para o número total de UserProfiles em um domínio do Amazon SageMaker AI é 60.
Há dois tipos de usuários:
+ Não autorizado: esse usuário não pode acessar o RStudio aplicativo.
+ Autorizado: esse usuário pode acessar o RStudio aplicativo e usar uma das RStudio licenças. Por padrão, um novo usuário é `Authorized` se o domínio estiver habilitado para RStudio.
A alteração do status de autorização de um usuário só é válida de `Unauthorized` para `Authorized`. Se um usuário for autorizado, ele poderá receber um dos seguintes níveis de acesso RStudio a.
+ RStudio Usuário: Este é um RStudio usuário padrão e pode acessar RStudio.
+ RStudio Administrador: O administrador do seu domínio Amazon SageMaker AI tem a capacidade de criar usuários, adicionar usuários existentes e atualizar as permissões dos usuários existentes. Os administradores também podem acessar o painel RStudio administrativo. No entanto, esse administrador não consegue atualizar os parâmetros gerenciados pela Amazon SageMaker AI.
## Métodos para criar um usuário
Os tópicos a seguir mostram como criar um usuário em seu domínio Amazon SageMaker AI RStudio habilitado.
**Criar console de usuário**
Para criar um usuário em seu domínio RStudio habilitado do Amazon SageMaker AI a partir do console, conclua as etapas em[Adicionar perfis de usuário](domain-user-profile-add.md).
**Criar CLI de usuário**
O comando a seguir mostra como adicionar usuários a um domínio do Amazon SageMaker AI com a autenticação do IAM. Um usuário pode pertencer ao grupo de usuários `R_STUDIO_USER` ou `R_STUDIO_ADMIN`.
```
aws sagemaker create-user-profile --region \
--domain-id \
--user-profile-name \
--user-settings RStudioServerProAppSettings={UserGroup=}
```
O comando a seguir mostra como adicionar usuários a um domínio do Amazon SageMaker AI com autenticação usando o IAM Identity Center. Um usuário pode pertencer ao grupo de usuários `R_STUDIO_USER` ou `R_STUDIO_ADMIN`.
```
aws sagemaker create-user-profile --region \
--domain-id \
--user-profile-name \
--user-settings RStudioServerProAppSettings={UserGroup=} \
--single-sign-on-user-identifier UserName \
--single-sign-on-user-value
```
# Faça login RStudio como outro usuário