Kendala dan pertimbangan - Amazon SageMaker
JupyterLab versiInstalasi paket yang memerlukan kernel restartKernel dan nama bahasa yang terdaftar di JupyterParameter dan batas variabel lingkunganMelihat pekerjaan dan definisi pekerjaanCitraVPCsubnet yang digunakan selama penciptaan lapangan kerjaBatas layanan

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Kendala dan pertimbangan

Tinjau kendala berikut untuk memastikan pekerjaan notebook Anda berhasil diselesaikan. Studio menggunakan Papermill untuk menjalankan notebook. Anda mungkin perlu memperbarui notebook Jupyter untuk menyelaraskan dengan persyaratan Papermill. Ada juga batasan pada konten LCC skrip dan detail penting untuk dipahami mengenai VPC konfigurasi.

JupyterLab versi

JupyterLab versi 3.0 dan di atas didukung.

Instalasi paket yang memerlukan kernel restart

Papermill tidak mendukung panggilan pip install untuk menginstal paket yang memerlukan kernel restart. Dalam situasi ini, gunakan pip install dalam skrip inisialisasi. Untuk instalasi paket yang tidak memerlukan kernel restart, Anda masih dapat memasukkan pip install dalam notebook.

Kernel dan nama bahasa yang terdaftar di Jupyter

Papermill mendaftarkan penerjemah untuk kernel dan bahasa tertentu. Jika Anda membawa instance (BYOI) Anda sendiri, gunakan nama kernel standar seperti yang ditunjukkan pada cuplikan berikut:

papermill_translators.register("python", PythonTranslator)
papermill_translators.register("R", RTranslator)
papermill_translators.register("scala", ScalaTranslator)
papermill_translators.register("julia", JuliaTranslator)
papermill_translators.register("matlab", MatlabTranslator)
papermill_translators.register(".net-csharp", CSharpTranslator)
papermill_translators.register(".net-fsharp", FSharpTranslator)
papermill_translators.register(".net-powershell", PowershellTranslator)
papermill_translators.register("pysparkkernel", PythonTranslator)
papermill_translators.register("sparkkernel", ScalaTranslator)
papermill_translators.register("sparkrkernel", RTranslator)
papermill_translators.register("bash", BashTranslator)

Parameter dan batas variabel lingkungan

Parameter dan batas variabel lingkungan. Saat Anda membuat pekerjaan notebook Anda, ia menerima parameter dan variabel lingkungan yang Anda tentukan. Anda dapat melewati hingga 100 parameter. Setiap nama parameter dapat mencapai 256 karakter, dan nilai yang terkait dapat mencapai 2500 karakter. Jika Anda melewati variabel lingkungan, Anda dapat melewatkan hingga 28 variabel. Nama variabel dan nilai terkait dapat mencapai 512 karakter. Jika Anda membutuhkan lebih dari 28 variabel lingkungan, gunakan variabel lingkungan tambahan dalam skrip inisialisasi yang tidak memiliki batasan jumlah variabel lingkungan yang dapat Anda gunakan.

Melihat pekerjaan dan definisi pekerjaan

Melihat pekerjaan dan definisi pekerjaan. Jika Anda menjadwalkan pekerjaan notebook di UI Studio di JupyterLab buku catatan, Anda dapat melihat pekerjaan buku catatan dan definisi pekerjaan buku catatan Anda di UI Studio. Jika Anda menjadwalkan pekerjaan notebook Anda dengan SageMaker PythonSDK, Anda hanya dapat melihat pekerjaan Anda—langkah pekerjaan notebook SageMaker SDK Python tidak membuat definisi pekerjaan. Untuk melihat pekerjaan Anda, Anda juga perlu memberikan tag tambahan ke instance langkah pekerjaan notebook Anda. Untuk detailnya, lihat Melihat pekerjaan notebook Anda di dasbor Studio UI.

Citra

Anda perlu mengelola batasan gambar tergantung pada apakah Anda menjalankan pekerjaan notebook di Studio atau langkah pekerjaan SDK notebook SageMaker Python dalam pipeline.

Kendala gambar untuk Pekerjaan SageMaker Notebook (Studio)

Dukungan gambar dan kernel. Driver yang meluncurkan pekerjaan notebook Anda mengasumsikan hal berikut:

  • Lingkungan runtime Python dasar dipasang di gambar Studio atau bring-your-own (BYO) dan merupakan default di shell.

  • Lingkungan runtime Python dasar mencakup klien Jupyter dengan spesifikasi kernel yang dikonfigurasi dengan benar.

  • Lingkungan runtime Python dasar menyertakan pip fungsi sehingga pekerjaan notebook dapat menginstal dependensi sistem.

  • Untuk gambar dengan beberapa lingkungan, skrip inisialisasi Anda harus beralih ke lingkungan khusus kernel yang tepat sebelum menginstal paket khusus notebook. Anda harus beralih kembali ke lingkungan runtime Python default, jika berbeda dari lingkungan runtime kernel, setelah mengonfigurasi lingkungan runtime Python kernel.

Driver yang meluncurkan pekerjaan notebook Anda adalah skrip bash, dan Bash v4 harus tersedia di /bin/bash.

Hak istimewa root pada bring-your-own-images (BYOI). Anda harus memiliki hak akses root pada gambar Studio Anda sendiri, baik sebagai pengguna root atau melalui sudo akses. Jika Anda bukan pengguna root tetapi mengakses hak akses root melaluisudo, gunakan 1000/100 sebagai. UID/GID

Kendala gambar untuk pekerjaan notebook Python SageMaker SDK

Langkah pekerjaan notebook mendukung gambar-gambar berikut:

  • SageMaker Gambar Distribusi tercantum dalam SageMaker Gambar Amazon tersedia untuk digunakan dengan Studio Classic.

  • Gambar kustom berdasarkan gambar SageMaker Distribusi dalam daftar sebelumnya. Gunakan gambar SageMaker Distribusi sebagai basis.

  • Gambar kustom (BYOI) yang sudah diinstal sebelumnya dengan dependensi pekerjaan notebook (yaitu,. sagemaker-headless-execution-driver Gambar Anda harus memenuhi persyaratan berikut:

    • Gambar sudah diinstal sebelumnya dengan dependensi pekerjaan notebook.

    • Lingkungan runtime Python dasar diinstal dan default di lingkungan shell.

    • Lingkungan runtime Python dasar mencakup klien Jupyter dengan spesifikasi kernel yang dikonfigurasi dengan benar.

    • Anda memiliki hak akses root, baik sebagai pengguna root atau melalui sudo akses. Jika Anda bukan pengguna root tetapi mengakses hak akses root melaluisudo, gunakan 1000/100 sebagai. UID/GID

VPCsubnet yang digunakan selama penciptaan lapangan kerja

Jika Anda menggunakanVPC, Studio menggunakan subnet pribadi Anda untuk membuat pekerjaan Anda. Tentukan satu hingga lima subnet pribadi (dan 1-15 grup keamanan).

Jika Anda menggunakan subnet VPC with private, Anda harus memilih salah satu opsi berikut untuk memastikan pekerjaan notebook dapat terhubung ke layanan atau sumber daya dependen:

  • Jika pekerjaan membutuhkan akses ke AWS layanan yang mendukung VPC titik akhir antarmuka, buat titik akhir untuk terhubung ke layanan. Untuk daftar layanan yang mendukung titik akhir antarmuka, lihat AWS layanan yang terintegrasi dengannya AWS PrivateLink. Untuk informasi tentang membuat VPC titik akhir antarmuka, lihat Mengakses AWS layanan menggunakan titik VPC akhir antarmuka. Minimal, gateway VPC titik akhir Amazon S3 harus disediakan.

  • Jika pekerjaan notebook memerlukan akses ke AWS layanan yang tidak mendukung VPC titik akhir antarmuka atau sumber daya di luar AWS, buat NAT gateway dan konfigurasikan grup keamanan Anda untuk mengizinkan koneksi keluar. Untuk informasi tentang menyiapkan NAT gateway untuk AndaVPC, lihat VPCdengan Subnet publik dan pribadi (NAT) di Panduan Pengguna Amazon Virtual Private Cloud.

Batas layanan

Karena penjadwal pekerjaan notebook dibuat dari Pipelines, SageMaker Training, dan EventBridge layanan Amazon, pekerjaan notebook Anda tunduk pada kuota khusus layanan mereka. Jika Anda melebihi kuota ini, Anda mungkin melihat pesan kesalahan yang terkait dengan layanan ini. Misalnya, ada batasan untuk berapa banyak pipa yang dapat Anda jalankan pada satu waktu, dan berapa banyak aturan yang dapat Anda atur untuk satu bus acara. Untuk informasi selengkapnya tentang SageMaker kuota, lihat SageMaker Titik Akhir dan Kuota Amazon. Untuk informasi selengkapnya tentang EventBridge kuota, lihat EventBridge Kuota Amazon.