As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Forneça acesso a imagens personalizadas aos usuários

Esta documentação fornece step-by-step instruções para fornecer aos usuários acesso a imagens personalizadas em seus JupyterLab ambientes. Você pode usar as informações desta página na criação de ambientes personalizados para os fluxos de trabalho do seu usuário. O processo envolve a utilização de:

Depois de seguir as orientações nesta página, JupyterLab os usuários no domínio Amazon SageMaker AI terão acesso à imagem e ao ambiente personalizados em seus espaços do Jupyter para fortalecer seus fluxos de trabalho de aprendizado de máquina.

Para que seus usuários executem suas imagens com êxito JupyterLab, você deve fazer o seguinte:

Etapa 1: criar o Dockerfile

Crie um Dockerfile para definir as etapas necessárias para criar o ambiente necessário para executar a aplicação nos contêineres de seus usuários.

Use o seguinte modelo do Dockerfile para criar uma imagem do 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='*'


            

Use o seguinte modelo do Dockerfile para criar uma imagem de SageMaker distribuição da 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"]                
            

Etapa 2: Criação do Dockerfile

No mesmo diretório do Dockerfile, crie sua imagem usando o seguinte comando:

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

Etapa 3: Envio da imagem para o repositório do Amazon Elastic Container Registry

Depois de criada a sua imagem, inicie a sessão no seu repositório Amazon ECR usando o seguinte comando:

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

Depois de iniciar a sessão, envie o Dockerfile usando o seguinte comando:

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

Etapa 4: anexar imagem ao domínio Amazon SageMaker AI de seus usuários

Depois de enviar a imagem, você deve acessá-la a partir do seu domínio Amazon SageMaker AI. Use o procedimento a seguir para anexar a imagem a um domínio de SageMaker IA:

Agora, seus usuários podem selecionar a imagem que você anexou ao domínio deles JupyterLab no espaço deles.