本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# SageMaker 筆記本工作
<a name="notebook-auto-run"></a>

您可以使用 Amazon SageMaker AI 在任何 JupyterLab 環境中，從 Jupyter 筆記本以互動方式建置、訓練和部署機器學習模型。不過，在多種情況下，您可能會想要以已排程的非互動式工作來執行筆記本。例如，您可能想要建立定期稽核報告，以分析在特定時間範圍內執行的所有訓練工作，並分析將這些模型部署到生產環境中的商業價值。或者，在對一小部分資料進行資料轉換邏輯測試之後，您可能想要擴展特徵工程工作。其他常用使用案例包括：
+ 對模型漂移監控工作進行排程
+ 探索參數空間以獲得更好的模型

在這些案例中，您可以使用 SageMaker 筆記本任務建立非互動式任務 (SageMaker AI 將其做為基礎訓練任務執行)，以隨需執行或按排程執行。SageMaker 筆記本工作提供直觀的使用者介面，您可以在筆記本中選擇筆記本工作小工具 (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/icons/notebook-schedule.png))，直接透過 JupyterLab 對工作進行排程。您也可以使用 SageMaker AI Python SDK 來排程任務，該 SDK 提供在管道工作流程中排程多個筆記本任務的彈性。您可以平行執行多個筆記本，並將筆記本中的儲存格參數化以自訂輸入參數。

此功能利用 Amazon EventBridge、SageMaker 訓練和 Pipelines 服務，並可在下列任何環境中於 Jupyter 筆記本內使用：
+ Studio、Studio Lab、Studio Classic 或筆記本執行個體
+ 本機設定，例如您的本機機器，您執行 JupyterLab 的位置

**先決條件**

若要對筆記本工作進行排程，請確定符合下列條件：
+ 確保您的 Jupyter 筆記本和任何初始化或啟動指令碼在代碼和軟體套件方面都是獨立的。否則，您的非互動式工作可能會產生錯誤。
+ 檢閱 [限制和考量事項](notebook-auto-run-constraints.md) 以確保您已正確設定 Jupyter 筆記本、網路設定和容器設定。
+ 確保您的筆記本可以存取所需的外部資源，例如 Amazon EMR 叢集。
+ 如果您要在本機 Jupyter 筆記本中設定筆記本工作，請完成安裝。如需說明，請參閱[安裝指南](scheduled-notebook-installation.md)。
+ 如果您連線到筆記本中的 Amazon EMR 叢集，並想要參數化 Amazon EMR 連線命令，則必須使用環境變數套用因應措施來傳遞參數。如需詳細資訊，請參閱[從您的筆記本連線至 Amazon EMR 叢集](scheduled-notebook-connect-emr.md)。
+ 如果您使用 Kerberos、LDAP 或 HTTP 基本驗證身分驗證連線至 Amazon EMR 叢集，您必須使用 AWS Secrets Manager 將安全憑證傳遞至 Amazon EMR 連線命令。如需詳細資訊，請參閱[從您的筆記本連線至 Amazon EMR 叢集](scheduled-notebook-connect-emr.md)。
+ (可選) 如果您希望使用者介面預先載入在筆記本啟動時執行的指令碼，您的管理員必須使用生命週期組態 (LCC) 來安裝指令碼。如需與如何使用 LCC 指令碼相關的資訊，請參閱[使用生命週期組態指令碼自訂筆記本執行個體](https://docs.aws.amazon.com/sagemaker/latest/dg/notebook-lifecycle-config.html)。