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。

# 自訂
<a name="customization"></a>

## 生命週期組態
<a name="lifecycle-configuration"></a>

 生命週期組態是由 SageMaker AI Studio 生命週期事件啟動的 shell 指令碼，例如啟動新的 SageMaker AI Studio 筆記本。您可以使用這些 shell 指令碼來自動化 SageMaker AI Studio 環境的自訂，例如安裝自訂套件、用於自動關閉非作用中筆記本應用程式的 Jupyter 延伸模組，以及設定 Git 組態。如需如何建置生命週期組態的詳細說明，請參閱此部落格：[使用生命週期組態自訂 Amazon SageMaker AI Studio](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/)。

## SageMaker AI Studio 筆記本的自訂映像
<a name="custom-images-for-sagemaker-studio-notebooks"></a>

 Studio 筆記本隨附一組預先建置的影像，其中包含 [Amazon SageMaker AI Python SDK](https://sagemaker.readthedocs.io/en/stable/) 和最新版本的IPython執行時間或核心。使用此功能，您可以將自己的自訂映像帶入 Amazon SageMaker AI 筆記本。然後，這些映像可供通過網域身分驗證的所有使用者使用。

 開發人員和資料科學家可能需要針對數個不同的使用案例進行自訂映像：
+  存取特定或最新版本的熱門 ML 架構 TensorFlow，例如 PyTorchMXNet、 或其他。
+  將本機開發的自訂程式碼或演算法帶入 SageMaker AI Studio 筆記本，以進行快速迭代和模型訓練。
+  透過 存取資料湖或內部部署資料存放區APIs。管理員需要在映像中包含對應的驅動程式。
+  存取後端執行時間 （也稱為核心），但 IPython（例如 R、Julia [或其他](https://github.com/aws-samples/sagemaker-studio-custom-image-samples)) 除外。您也可以使用概述的方法來安裝自訂核心。

 如需如何建置自訂映像的詳細指示，請參閱[建立自訂 SageMaker AI 映像](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-byoi-create.html)。

## JupyterLab 擴充功能
<a name="jupyterlab-extensions"></a>

 透過 SageMaker AI Studio JuypterLab 3 筆記本，您可以利用不斷成長的開放原始碼 JupyterLab延伸社群。本節重點介紹一些自然適合 SageMaker AI 開發人員工作流程的案例，但建議您[瀏覽可用的延伸](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html#installing-an-extension)模組，甚至[建立您自己的](https://jupyterlab.readthedocs.io/en/stable/extension/extension_tutorial.html)延伸模組。

 JupyterLab 3 現在可大幅簡化[封裝和安裝擴充功能的程序](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html#installing-extensions)。您可以透過 bash 指令碼安裝上述擴充功能。例如，在 SageMaker AI Studio [中，從 Studio 啟動器開啟系統終端機](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html)，然後執行下列命令。此外，您可以使用[生命週期組態](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html)自動安裝這些擴充功能，以便在 Studio 重新啟動之間保留這些擴充功能。您可以為網域或個別使用者層級的所有使用者設定此項目。

 例如，若要安裝 Amazon S3 檔案瀏覽器的擴充功能，請在系統終端機中執行下列命令，並確認重新整理瀏覽器：

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

 如需延伸管理的詳細資訊，包括如何寫入適用於 JupyterLab 筆記本第 1 版和第 3 版的生命週期組態，以實現回溯相容性，請參閱[安裝 JupyterLab 和 Jupyter 伺服器延伸](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jl.html#studio-jl-install)。



## Git 儲存庫
<a name="git-repositories"></a>

SageMaker AI Studio 已預先安裝 Jupyter Git 延伸模組，讓使用者輸入 Git 儲存庫URL的自訂內容、將其複製到您的EFS目錄、推送變更，以及檢視遞交歷史記錄。管理員可以在網域層級設定建議的 git 儲存庫，以便顯示為最終使用者的下拉式清單選項。如需說明，請參閱[將建議的 Git 儲存庫連接至 Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-git-attach.html) up-to-date。

如果儲存庫是私有的，則延伸項目會要求使用者使用標準 git 安裝，將其登入資料輸入終端機。或者，使用者可以將 SSH 登入資料存放在其個別EFS目錄，以便於管理。

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

SageMaker AI Studio 筆記本使用 Amazon EFS作為持久性儲存層。資料科學家可以使用持久性儲存來建立自訂 conda 環境，並使用這些環境來建立核心。這些核心由 支援EFS，而且在核心、應用程式或 Studio 重新啟動之間會持續存在。Studio 會自動將所有有效的環境選為 KernelGateway核心。

對於資料科學家來說，建立 conda 環境的程序很簡單，但核心在核心選擇器上填入大約需要一分鐘的時間。若要建立環境，請在系統終端機中執行下列動作：

```
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
```

如需詳細說明，請參閱 Amazon *Studio 筆記本中管理 Python 套件的四種方法中 Studio EFS磁碟區區段中的 Persist Conda 環境*。 [ SageMaker ](https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/)