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. # 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 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. # 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 contidos nela serão `/home/sagemaker-user` 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 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 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 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 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 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 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 separar o repositório URLs usando o AWS Command Line Interface (AWS CLI) ou o console Amazon SageMaker AI. ## Desanexe 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).