Schnellstart: Erstellen Sie eine SageMaker Sandbox-Domain, um EMR Amazon-Cluster in Studio zu starten

Gehen Sie wie folgt vor, um eine SageMaker Domain für den Start von EMR Amazon-Clustern von Studio aus einzurichten.

1. Laden Sie die Rohdatei dieser AWS CloudFormation Vorlage aus dem sagemaker-studio-emr GitHub Repository herunter.

2. Gehe zur AWS CloudFormation Konsole: https://console.aws.amazon.com/cloudformation

3. Wählen Sie Stack erstellen und wählen Sie im Drop-down-Menü die Option Mit neuen Ressourcen (Standard) aus.

4. In Schritt 1:

   1. Wählen Sie im Abschnitt Vorlage vorbereiten die Option Bestehende Vorlage auswählen aus.

   2. Wählen Sie im Abschnitt Specify template (Vorlage angeben) die Option Upload a template file (Vorlagendatei hochladen) aus.

   3. Laden Sie die heruntergeladene AWS CloudFormation Vorlage hoch und wählen Sie Weiter.

5. Geben Sie in Schritt 2 einen Stack-Namen ein und wählen Sie SageMakerDomainNamedann Weiter.

6. Behalten Sie in Schritt 3 alle Standardwerte bei und wählen Sie Weiter.

7. Markieren Sie in Schritt 4 das Kästchen zur Bestätigung der Ressourcenerstellung und wählen Sie Stapel erstellen aus. Dadurch wird eine Studio-Domain in Ihrem Konto und Ihrer Region erstellt.

1. Gehen Sie zur SageMaker Konsole unter https://console.aws.amazon.com/sagemaker/und wählen Sie im linken Menü Domains aus.

2. Klicken Sie auf Ihren Domainnamen G enerativeAIDomain, um die Seite mit den Domain-Details zu öffnen.

3. Starten Sie Studio vom Benutzerprofil ausgenai-user.

4. Gehen Sie im linken Navigationsbereich zu Daten und dann zu Amazon EMR Clusters.

5. Wählen Sie auf der EMR Amazon-Cluster-Seite Create aus. Wählen Sie die Vorlage SageMaker Studio Domain No Auth aus, die vom AWS CloudFormation Stack EMR erstellt wurde, und klicken Sie dann auf Weiter.

6. Geben Sie einen Namen für den neuen EMR Amazon-Cluster ein. Aktualisieren Sie optional andere Parameter wie den Instance-Typ der Core- und Master-Knoten, das Leerlauf-Timeout oder die Anzahl der Kernknoten.

7. Wählen Sie Create resource aus, um den neuen EMR Amazon-Cluster zu starten.

   Nachdem Sie den EMR Amazon-Cluster erstellt haben, folgen Sie dem Status auf der EMRCluster-Seite. Wenn sich der Status auf ändertRunning/Waiting, kann Ihr EMR Amazon-Cluster in Studio verwendet werden.

1. Starten JupyterLab

   Starten Sie die JupyterLab Anwendung in Studio.

2. Erstellen Sie einen privaten Bereich

   Wenn Sie noch keinen Bereich für Ihre JupyterLab Anwendung erstellt haben, wählen Sie JupyterLab Bereich erstellen. Geben Sie einen Namen für den Bereich ein und behalten Sie den Status Privat für den Bereich bei. Behalten Sie für alle anderen Einstellungen die Standardwerte bei und wählen Sie dann Bereich erstellen.

   Andernfalls führen Sie Ihren JupyterLab Space aus, um eine JupyterLab Anwendung zu starten.

3. Stellen Sie Ihre Modelle bereit LLM und betten Sie sie ein, um daraus Rückschlüsse zu ziehen

   • Wählen Sie im oberen Menü Datei, Neu und dann Terminal aus.

   • Führen Sie im Terminal den folgenden Befehl aus.

     wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-00-setup/Lab_0_Warm_Up_Deploy_EmbeddingModel_Llama2_on_Nvidia.ipynb
     mkdir AWSGuides
     cd AWSGuides
     wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/AWSGuides/AmazonSageMakerDeveloperGuide.pdf
     wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/AWSGuides/EC2DeveloperGuide.pdf
     wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/AWSGuides/S3DeveloperGuide.pdf

     Dadurch wird das Lab_0_Warm_Up_Deploy_EmbeddingModel_Llama2_on_Nvidia.ipynb Notizbuch in Ihr lokales Verzeichnis abgerufen und drei PDF Dateien in einen lokalen AWSGuides Ordner heruntergeladen.

   • Öffnen Sielab-00-setup/Lab_0_Warm_Up_Deploy_EmbeddingModel_Llama2_on_Nvidia.ipynb, behalten Sie den Python 3 (ipykernel) Kernel und führen Sie jede Zelle aus.

     Warnung

     Stellen Sie im Abschnitt Llama 2-Lizenzvereinbarung sicher, dass Sie den Llama2 akzeptieren, EULA bevor Sie fortfahren.

     Das Notebook verwendet zwei Modelle, Llama 2 und all-MiniLM-L6-v2 Models eines für Inferenzzwecke. ml.g5.2xlarge

     Die Bereitstellung der Modelle und die Erstellung der Endpunkte können einige Zeit in Anspruch nehmen.

4. Öffnen Sie Ihr Haupt-Notizbuch

   Öffnen Sie Ihr Terminal und führen Sie den folgenden Befehl aus. JupyterLab

   cd ..
   wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/Lab_3_RAG_on_SageMaker_Studio_using_EMR.ipynb
   

   Sie sollten das zusätzliche Lab_3_RAG_on_SageMaker_Studio_using_EMR.ipynb Notizbuch im linken Bereich von sehen JupyterLab.

5. Wählen Sie einen PySpark Kernel

   Öffnen Sie Ihr Lab_3_RAG_on_SageMaker_Studio_using_EMR.ipynb Notizbuch und stellen Sie sicher, dass Sie den SparkMagic PySpark Kernel verwenden. Sie können den Kernel oben rechts auf Ihrem Notebook wechseln. Wählen Sie den aktuellen Kernelnamen, um ein Kernelauswahl-Modal zu öffnen, und wählen Sie dannSparkMagic PySpark.

6. Connect Sie Ihr Notebook mit dem Cluster

   1. Wählen Sie oben rechts in Ihrem Notizbuch Cluster aus. Diese Aktion öffnet ein modales Fenster, in dem alle laufenden Cluster aufgeführt sind, für deren Zugriff Sie berechtigt sind.

   2. Wählen Sie Ihren Cluster und dann Connect aus. Ein neues modales Fenster zur Auswahl des Anmeldeinformationstyps wird geöffnet.

   3. Wählen Sie Keine Anmeldeinformationen und dann Connect.

      

   4. Eine Notebook-Zelle wird automatisch gefüllt und läuft. Die Notebook-Zelle lädt die sagemaker_studio_analytics_extension.magics Erweiterung, die Funktionen für die Verbindung mit dem EMR Amazon-Cluster bereitstellt. Anschließend verwendet es den %sm_analytics magischen Befehl, um die Verbindung zu Ihrem EMR Amazon-Cluster und der Spark-Anwendung herzustellen.

      Anmerkung

      Stellen Sie sicher, dass für die Verbindungszeichenfolge zu Ihrem EMR Amazon-Cluster der Authentifizierungstyp auf eingestellt istNone. Dies wird durch den Wert --auth-type None im folgenden Beispiel veranschaulicht. Sie können das Feld bei Bedarf ändern.

      %load_ext sagemaker_studio_analytics_extension.magics
      %sm_analytics emr connect --verify-certificate False --cluster-id your-cluster-id --auth-type None --language python 

   5. Sobald Sie die Verbindung erfolgreich hergestellt haben, sollte Ihre Ausgabenachricht in der Verbindungszelle Ihre SparkSession Details wie Ihre Cluster-ID, YARN Anwendungs-ID und einen Link zur Spark Benutzeroberfläche zur Überwachung Ihrer Spark Jobs enthalten.

Um Ihren AWS CloudFormation Stack zu löschen, wenn Sie damit fertig sind

1. Gehe zur AWS CloudFormation Konsole: https://console.aws.amazon.com/cloudformation

2. Wählen Sie den Stack aus, den Sie löschen möchten. Sie können nach dem Namen suchen oder ihn in der Liste der Stapel finden.

3. Klicken Sie auf die Schaltfläche Löschen, um das Löschen des Stacks abzuschließen, und klicken Sie dann erneut auf Löschen, um zu bestätigen, dass dadurch alle vom Stapel erstellten Ressourcen gelöscht werden.

   Warten Sie, bis das Löschen des Stacks abgeschlossen ist. Das kann ein paar Minuten dauern. AWS CloudFormation bereinigt automatisch alle in der Stack-Vorlage definierten Ressourcen.

4. Stellen Sie sicher, dass alle vom Stack erstellten Ressourcen gelöscht wurden. Suchen Sie beispielsweise nach übrig gebliebenen EMR Amazon-Clustern.

Um die API Endpunkte für ein Modell zu entfernen

1. Gehe zur SageMaker Konsole: https://console.aws.amazon.com/sagemaker/.

2. Wählen Sie im linken Navigationsbereich Inference und dann Endpoints aus.

3. Wählen Sie den Endpunkt aus hf-allminil6v2-embedding-ep und wählen Sie dann in der Dropdownliste Aktionen die Option Löschen aus. Wiederholen Sie den Schritt für den Endpunktmeta-llama2-7b-chat-tg-ep.