本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 自定义
<a name="customization"></a>

## 生命周期配置
<a name="lifecycle-configuration"></a>

 生命周期配置是由 SageMaker AI Studio 生命周期事件（例如启动新 SageMaker 的 AI Studio 笔记本电脑）启动的 shell 脚本。您可以使用这些 shell 脚本自动对 SageMaker AI Studio 环境进行自定义，例如安装自定义包、用于自动关闭非活动笔记本应用程序的 Jupyter 扩展以及设置 Git 配置。有关如何构建生命周期配置的详细说明，请参阅此博客：[使用生命周期配置自定义 Amazon SageMaker AI Studio](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/)。

## SageMaker AI Studio 笔记本电脑的自定义镜像
<a name="custom-images-for-sagemaker-studio-notebooks"></a>

 Studio 笔记本附带一组预先构建的镜像，其中包括 [Amazon A SageMaker I Python SDK](https://sagemaker.readthedocs.io/en/stable/) 和最新版本的IPython运行时或内核。借助此功能，您可以将自己的自定义图像带到 Amazon A SageMaker I 笔记本上。之后，所有通过身份验证进入域的用户均可使用这些映像。

 开发人员和数据科学家可能要对以下几种用例使用自定义映像：
+  访问常用 ML 框架的特定或最新版本 TensorFlow，例如、MXNet PyTorch、或其他。
+  将本地开发的自定义代码或算法带到 SageMaker AI Studio 笔记本中，用于快速迭代和模型训练。
+  通过访问数据湖或本地数据存储APIs。管理员需要为映像加入相应的驱动程序。
+  [访问除了 R、Julia 或其他）之外的后端运行时IPython（也称为内核）。](https://github.com/aws-samples/sagemaker-studio-custom-image-samples)您也可以使用所述方法安装自定义内核。

 有关如何构建自定义镜像的详细说明，请参阅[创建自定义 A SageMaker I 镜像](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-byoi-create.html)。

## JupyterLab 扩展
<a name="jupyterlab-extensions"></a>

 有了 SageMaker AI Studio JuypterLab 3 Notebook，你可以充分利用不断增长的开源 JupyterLab扩展社区。本节重点介绍一些自然适合 SageMaker AI 开发者工作流程的扩展，但我们鼓励您[浏览可用的扩展程序](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html#installing-an-extension)，甚至[创建自己的](https://jupyterlab.readthedocs.io/en/stable/extension/extension_tutorial.html)扩展。

 JupyterLab 3 现在大大简[化了打包和安装扩展的过程](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html#installing-extensions)。您可以使用 Bash 脚本安装上述扩展程序。例如，在 SageMaker AI Studio [中，从 Studio 启动器打开系统终端](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html)并运行以下命令。还可以使用[生命周期配置](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html)自动安装这些扩展程序，使其在 Studio 重启期间也能继续生效。您可以为域中所有用户或在个人用户级别上配置此扩展程序。

 例如，如需为 Amazon S3 文件浏览器安装扩展程序，请在系统终端中运行以下命令并刷新浏览器：

```
conda init
conda activate studio
pip install jupyterlab_s3_browser
jupyter serverextension enable --py jupyterlab_s3_browser
conda deactivate
restart-jupyter-server
```

 有关扩展管理的更多信息，包括如何编写适用于 JupyterLab 笔记本版本 1 和 3 的生命周期配置以实现向后兼容，请参阅[安装 JupyterLab 和 Jupyter Server](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jl.html#studio-jl-install) 扩展。



## Git 存储库
<a name="git-repositories"></a>

SageMaker AI Studio 预装了 Jupyter Git 扩展程序，供用户进入URL定制的 Git 存储库、将其克隆到EFS您的目录、推送更改和查看提交历史记录。管理员可配置域级别的建议 Git 存储库，将其作为最终用户的下拉选项。有关 up-to-date说明，请参阅将[建议的 Git 存储库附加到 Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-git-attach.html)。

如果是私有存储库，则扩展程序会要求用户使用 Git 标准安装程序，将其凭证输入终端。或者，用户可以将 ssh 凭据存储在其个人EFS目录中，以便于管理。

## Conda 环境
<a name="conda-environments"></a>

SageMaker AI Studio 笔记本电脑使用亚马逊EFS作为永久存储层。数据科学家可利用永久存储建立 Conda 自定义环境，进而创建内核。这些内核由内核EFS、应用程序或 Studio 重启之间提供支持，并且在内核、应用程序或 Studio 重启之间保持不变。Studio 会自动将所有有效的环境作为 KernelGateway内核获取。

虽然数据科学家能够轻松创建 Conda 环境，但内核仍要等待约一分钟才会填充到内核选择器上。如需创建环境，请在系统终端中运行以下命令：

```
mkdir -p ~/.conda/envs
conda create --yes -p ~/.conda/envs/custom
conda activate ~/.conda/envs/custom
conda install -y ipykernel
conda config --add envs_dirs ~/.conda/envs
```

有关详细说明，请参阅在 A [mazon Studio 笔记本中管理 Python 包的四种方法中的 Persist Conda 环境到 SageMaker Studio EFS](https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/) *卷*部分。