Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
JupyterLab benutzerhandbuch
In diesem Handbuch erfahren JupyterLab Benutzer, wie sie Analytics- und Machine-Learning-Workflows in SageMaker Studio ausführen. Sie können schnellen Speicher erhalten und Ihre Rechenleistung je nach Bedarf nach oben oder unten skalieren.
JupyterLab unterstützt sowohl private als auch gemeinsam genutzte Bereiche. Private Bereiche sind auf einen einzelnen Benutzer in einer Domain beschränkt. Gemeinsam genutzte Bereiche ermöglichen es anderen Benutzern in Ihrer Domain, in Echtzeit mit Ihnen zusammenzuarbeiten. Informationen über Studio-Bereiche finden Sie unter Amazon SageMaker Studio-Räume.
Um mit der Verwendung zu beginnen JupyterLab, erstellen Sie einen Bereich und starten Sie Ihre JupyterLab Anwendung. Der Bereich, in dem Ihre JupyterLab Anwendung ausgeführt wird, ist ein JupyterLab Space. Der JupyterLab Speicherplatz verwendet eine einzige EC2 Amazon-Instance für Ihre Datenverarbeitung und ein einzelnes Amazon EBS-Volume für Ihren Speicher. Alle Elemente in Ihrem Bereich, wie beispielsweise Ihr Code, Ihr Git-Profil und Ihre Umgebungsvariablen, werden auf demselben Amazon-EBS-Volume gespeichert. Das Volume hat 3000 IOPS und einen Durchsatz von 125 Megabyte pro Sekunde (). MBps Sie können den schnellen Speicher verwenden, um mehrere Jupyter-Notebooks auf derselben Instance zu öffnen und auszuführen. Sie können auch schnell zwischen den Kernels in einem Notebook wechseln.
Ihr Administrator hat die standardmäßigen Amazon-EBS-Speichereinstellungen für Ihren Bereich konfiguriert. Die Standardspeichergröße beträgt 5 GB, Sie können den verfügbaren Speicherplatz jedoch erhöhen. Bitte wenden Sie sich an Ihren Administrator, um entsprechende Richtlinien zu erhalten.
Sie können den EC2 Amazon-Instance-Typ, den Sie für die Ausführung verwenden JupyterLab, wechseln und Ihre Rechenleistung je nach Bedarf nach oben oder unten skalieren. Die Schnellstart-Instances starten viel schneller als die anderen Instances.
Ihr Administrator stellt Ihnen möglicherweise eine Lebenszykluskonfiguration zur Verfügung, mit der Ihre Umgebung angepasst werden kann. Sie können die Lebenszykluskonfiguration festlegen, wenn Sie den Bereich erstellen.
Wenn Ihr Administrator Ihnen Zugriff auf ein Amazon EFS gewährt, können Sie Ihren JupyterLab Bereich so konfigurieren, dass er darauf zugreift.
Standardmäßig verwendet die JupyterLab Anwendung das SageMaker Distributions-Image. Dies umfasst die Unterstützung für zahlreiche Pakete für Machine Learning, Analytik und Deep Learning. Sollten Sie jedoch ein benutzerdefiniertes Image benötigen, kann Ihnen Ihr Administrator den Zugriff auf die benutzerdefinierten Images ermöglichen.
Das Amazon-EBS-Volume bleibt unabhängig von der Lebensdauer einer einzelnen Instance erhalten. Sie verlieren Ihre Daten nicht, wenn Sie Instances wechseln. Verwenden Sie die Paketverwaltungsbibliotheken conda und pip, um reproduzierbare benutzerdefinierte Umgebungen zu erstellen, die auch beim Wechseln des Instance-Typs erhalten bleiben.
Nach dem Öffnen JupyterLab können Sie Ihre Umgebung mit dem Terminal konfigurieren. Um das Terminal zu öffnen, navigieren Sie zum Launcher und wählen Sie Terminal aus.
Im Folgenden finden Sie Beispiele für verschiedene Möglichkeiten, wie Sie eine Umgebung konfigurieren können JupyterLab.
Anmerkung
In Studio können Sie Lebenszykluskonfigurationen verwenden, um Ihre Umgebung anzupassen. Wir empfehlen jedoch, stattdessen einen Paketmanager zu verwenden. Die Verwendung von Lebenszykluskonfigurationen ist eine fehleranfälligere Methode. Es ist einfacher, Abhängigkeiten hinzuzufügen oder zu entfernen, als ein Skript für die Lebenszykluskonfiguration zu debuggen. Es kann auch die JupyterLab Startzeit verlängern.
Informationen zu Lebenszykluskonfigurationen finden Sie unter Lebenszykluskonfigurationen mit JupyterLab.
Themen
