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. # 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 abri-lo 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.