Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Proporcione a los usuarios acceso a imágenes personalizadas

Esta documentación proporciona step-by-step instrucciones para proporcionar a los usuarios acceso a imágenes personalizadas en sus JupyterLab entornos. Puede utilizar la información de esta página para crear entornos personalizados para los flujos de trabajo de sus usuarios. El proceso implica la utilización de:

Tras seguir las instrucciones de esta página, JupyterLab los usuarios del SageMaker dominio de Amazon tendrán acceso a la imagen y el entorno personalizados desde sus espacios de Jupyter para potenciar sus flujos de trabajo de aprendizaje automático.

Para que sus usuarios ejecuten correctamente su imagen en JupyterLab ella, debe hacer lo siguiente:

Paso 1: Crea el Dockerfile

Cree un Dockerfile para definir los pasos necesarios para crear el entorno necesario para ejecutar la aplicación en los contenedores de sus usuarios.

Utilice la siguiente plantilla de Dockerfile para crear una imagen de Amazon Linux 2:

FROM public.ecr.aws/amazonlinux/amazonlinux:2

ARG NB_USER="sagemaker-user"
ARG NB_UID="1000"
ARG NB_GID="100"
RUN yum install --assumeyes python3 shadow-utils && \
    useradd --create-home --shell /bin/bash --gid "${NB_GID}" --uid ${NB_UID} ${NB_USER} && \
    yum clean all && \
    python3 -m pip install jupyterlab

RUN python3 -m pip install --upgrade pip

RUN python3 -m pip install --upgrade urllib3==1.26.6

USER ${NB_UID}
CMD jupyter lab --ip 0.0.0.0 --port 8888 \
  --ServerApp.base_url="/jupyterlab/default" \
  --ServerApp.token='' \
  --ServerApp.allow_origin='*'


            

Usa la siguiente plantilla de Dockerfile para crear una imagen de SageMaker distribución de Amazon:

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 ["jupyter-lab"]
CMD ["--ServerApp.ip=0.0.0.0", "--ServerApp.port=8888", "--ServerApp.allow_origin=*", "--ServerApp.token=''", "--ServerApp.base_url=/jupyterlab/default"]                
            

Paso 2: Construye el Dockerfile

En el mismo directorio que tu Dockerfile, crea tu imagen con el siguiente comando:

docker build -t username/imagename:tag your-account-id.dkr.ecr.Región de AWS.amazonaws.com/your-repository-name:tag                    
                

Paso 3: Inserta la imagen en el repositorio de Amazon Elastic Container Registry

Una vez que hayas creado la imagen, inicia sesión en tu ECR repositorio de Amazon con el siguiente comando:

aws ecr get-login-password --region Región de AWS | docker login --username AWS --password-stdin 123456789012.dkr.ecr.Región de AWS.amazonaws.com                  
                

Una vez que hayas iniciado sesión, inserta tu Dockerfile con el siguiente comando:

docker push 123456789012.dkr.ecr.Región de AWS.amazonaws.com/your-repository-name:tag
                

Paso 4: Adjunta una imagen al SageMaker dominio de Amazon de tus usuarios

Después de insertar la imagen, debes acceder a ella desde tu SageMaker dominio de Amazon. Usa el siguiente procedimiento para adjuntar la imagen a un SageMaker dominio:

Tus usuarios ahora pueden seleccionar la imagen que has adjuntado a su dominio desde su JupyterLab espacio.