(Facoltativo) Migrazione di immagini personalizzate e configurazioni del ciclo di vita - Amazon SageMaker
Esegui la migrazione di immagini personalizzateMigra le configurazioni del ciclo di vita

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

(Facoltativo) Migrazione di immagini personalizzate e configurazioni del ciclo di vita

È necessario aggiornare le immagini personalizzate e gli script di configurazione del ciclo di vita (LCC) per utilizzare il modello di esecuzione locale semplificato di Amazon Studio. SageMaker Se non hai creato immagini o configurazioni del ciclo di vita personalizzate nel tuo dominio, salta questa fase.

Amazon SageMaker Studio Classic funziona in un ambiente diviso con:

  • Un'JupyterServerapplicazione che esegue Jupyter Server.

  • Notebook Studio Classic in esecuzione su una o più applicazioni. KernelGateway

Studio si è allontanato da un ambiente diviso. Studio esegue JupyterLab and Code Editor, basato su applicazioni Code-OSS, Visual Studio Code - Open Source in un modello di runtime locale. Per ulteriori informazioni sulla modifica dell'architettura, consulta Aumentare la produttività su Amazon SageMaker Studio.

Esegui la migrazione di immagini personalizzate

Le immagini personalizzate esistenti di Studio Classic potrebbero non funzionare in Studio. Ti consigliamo di creare una nuova immagine personalizzata che soddisfi i requisiti per l'utilizzo in Studio. La versione di Studio semplifica il processo di creazione di immagini personalizzate fornendo. SageMaker Immagini di distribuzione SageMakerLe immagini di distribuzione includono librerie e pacchetti popolari per l'apprendimento automatico, la scienza dei dati e la visualizzazione dell'analisi dei dati. Per un elenco delle immagini di SageMaker distribuzione di base e informazioni sull'account Amazon Elastic Container Registry, consulta SageMaker Immagini Amazon disponibili per l'uso con Studio Classic.

Per creare un'immagine personalizzata, completa una delle seguenti operazioni.

  • Estendi un'immagine di SageMaker distribuzione con pacchetti e moduli personalizzati. Queste immagini sono preconfigurate con JupyterLab and Code Editor, basato su Code-OSS, Visual Studio Code - Open Source.

  • Crea un file Dockerfile personalizzato seguendo le istruzioni in. Specifiche del file Docker È necessario installare JupyterLab e l'open source CodeServer sull'immagine per renderla compatibile con Studio.

Migra le configurazioni del ciclo di vita

Grazie al modello di runtime locale semplificato di Studio, consigliamo di migrare la struttura di Studio Classic esistente. LCCs In Studio Classic, spesso è necessario creare configurazioni del ciclo di vita separate per entrambi KernelGateway e JupyterServer applicazioni. Perché il JupyterServer e KernelGateway le applicazioni vengono eseguite su risorse di elaborazione separate all'interno di Studio Classic, Studio Classic LCCs può essere di entrambi i tipi:

  • JupyterServer LCC: Questi regolano LCCs principalmente le azioni domestiche di un utente, tra cui l'impostazione del proxy, la creazione di variabili di ambiente e lo spegnimento automatico delle risorse.

  • KernelGateway LCC: Questi LCCs regolano le ottimizzazioni dell'ambiente dei notebook Studio Classic. Ciò include l'aggiornamento delle versioni del pacchetto numpy Data Science 3.0 nel kernel e l'installazione del pacchetto snowflake nel kernel. Pytorch 2.0 GPU

Nell'architettura semplificata di Studio, è necessario solo uno LCC script da eseguire all'avvio dell'applicazione. Sebbene la migrazione degli LCC script vari in base all'ambiente di sviluppo, consigliamo di combinare JupyterServer e KernelGateway LCCsper creare una combinazioneLCC.

LCCsin Studio può essere associato a una delle seguenti applicazioni:

  • JupyterLab

  • Editor di codici

Gli utenti possono selezionare LCC il rispettivo tipo di applicazione durante la creazione di uno spazio o utilizzare l'impostazione predefinita LCC impostata dall'amministratore.

Nota

Gli script di spegnimento automatico di Studio Classic esistenti non funzionano con Studio. Per un esempio di script di spegnimento automatico di Studio, consulta Esempi di configurazione del ciclo di vita di SageMaker Studio.

Considerazioni relative al refactoring LCCs

Considerate le seguenti differenze tra Studio Classic e Studio durante il refactoring del vostro. LCCs

  • JupyterLab e le applicazioni Code Editor, una volta create, vengono eseguite come sagemaker-user con UID:1001 e. GID:101 Per impostazione predefinita, sagemaker-user dispone delle autorizzazioni per assumere le autorizzazioni sudo/root. KernelGateway le applicazioni vengono eseguite come impostazione predefinita. root

  • SageMaker Le immagini di distribuzione eseguite all'interno JupyterLab e le app Code Editor utilizzano Debiangestore di pacchetti basato,apt-get.

  • Le applicazioni Studio JupyterLab e Code Editor utilizzano Conda gestore di pacchetti. SageMaker crea un'unica base Python3 Conda ambiente quando viene lanciata un'applicazione Studio. Per informazioni sull'aggiornamento dei pacchetti nella base Conda ambiente e creazione di nuovi Conda ambienti, vediJupyterLab guida per l'utente. Al contrario, non tutti KernelGateway le applicazioni utilizzano Conda come gestore di pacchetti.

  • L' JupyterLab applicazione Studio utilizzaJupyterLab 4.0, mentre Studio Classic utilizzaJupyterLab 3.0. Convalida tutto JupyterLab le estensioni che usi sono compatibili conJupyterLab 4.0. Per ulteriori informazioni sulle estensioni, consulta Compatibilità delle estensioni con la JupyterLab versione 4.0.