(Optional) Migrieren von benutzerdefinierten Images und Lebenszykluskonfigurationen - Amazon SageMaker KI
Migrieren von benutzerdefinierten ImagesMigrieren von Lebenszykluskonfigurationen

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.

(Optional) Migrieren von benutzerdefinierten Images und Lebenszykluskonfigurationen

Sie müssen Ihre benutzerdefinierten Images und LCC-Skripts (Lifecycle Configuration) aktualisieren, damit sie mit dem vereinfachten lokalen Ausführungsmodell in Amazon SageMaker Studio funktionieren. Wenn Sie in Ihrer Domain keine benutzerdefinierten Images oder Lebenszykluskonfigurationen erstellt haben, überspringen Sie diese Phase.

Amazon SageMaker Studio Classic arbeitet in einer geteilten Umgebung mit:

  • einer JupyterServer-Anwendung, auf der der Jupyter Server ausgeführt wird.

  • Studio-Classic-Notebooks, die auf einer oder mehreren KernelGateway-Anwendungen ausgeführt werden.

Studio hat keine geteilte Umgebung mehr. Studio führt den JupyterLab und Code-Editor auf der Grundlage von Code-OSS, Visual Studio Code — Open-Source-Anwendungen in einem lokalen Laufzeitmodell aus. Weitere Informationen zur Änderung der Architektur finden Sie unter Steigern Sie die Produktivität in Amazon SageMaker Studio.

Migrieren von benutzerdefinierten Images

Ihre vorhandenen benutzerdefinierten Studio-Classic-Images funktionieren möglicherweise nicht in Studio. Wir empfehlen, ein neues benutzerdefiniertes Image zu erstellen, das die Anforderungen für die Verwendung in Studio erfüllt. Die Version von Studio vereinfacht den Prozess zur Erstellung benutzerdefinierter Images durch die Bereitstellung vonSageMaker Richtlinien zur Unterstützung von Studio-Images. SageMaker Die Images von AI Distribution enthalten beliebte Bibliotheken und Pakete für maschinelles Lernen, Datenwissenschaft und Datenanalyse-Visualisierung. Eine Liste der SageMaker Basis-Distribution-Images und Kontoinformationen der Amazon Elastic Container Registry finden Sie unterSageMaker Amazon-Bilder sind für die Verwendung mit Studio Classic-Notebooks verfügbar.

Um ein benutzerdefiniertes Image zu erstellen, führen Sie einen der folgenden Schritte aus.

  • Erweitern Sie ein SageMaker Distribution-Image mit benutzerdefinierten Paketen und Modulen. Diese Images sind mit einem JupyterLab Code-Editor vorkonfiguriert, der auf Code-OSS, Visual Studio Code - Open Source, basiert.

  • Erstellen Sie eine benutzerdefinierte Dockerfile-Datei, indem Sie den Anweisungen unter Bring Your Own Image (BYOI) folgen. Sie müssen JupyterLab und den Open-Source-CodeServer auf dem Image installieren, damit es mit Studio kompatibel ist.

Migrieren von Lebenszykluskonfigurationen

Aufgrund des vereinfachten lokalen Laufzeitmodells in Studio empfehlen wir, die Struktur Ihres vorhandenen Studio Classic zu migrieren. LCCs In Studio Classic ist es häufig erforderlich, separate Lebenszykluskonfigurationen für beide Anwendungen KernelGateway und JupyterServer zu erstellen. Da die JupyterServer und KernelGateway -Anwendungen auf separaten Rechenressourcen in Studio Classic ausgeführt werden, LCCs kann Studio Classic von beiden Typen sein:

  • JupyterServerLCC: Diese regeln LCCs hauptsächlich die Home-Aktionen eines Benutzers, einschließlich der Einstellung eines Proxys, der Erstellung von Umgebungsvariablen und des automatischen Herunterfahrens von Ressourcen.

  • KernelGatewayLCC: Diese LCCs regeln die Optimierung der Studio Classic-Notebook-Umgebung. Dies umfasst die Aktualisierung der Numpy-Paketversionen im Data Science 3.0-Kernel und die Installation des Snowflake-Pakets im Pytorch 2.0 GPU-Kernel.

In der vereinfachten Studio-Architektur benötigen Sie nur ein LCC-Skript, das beim Start der Anwendung ausgeführt wird. Obwohl die Migration Ihrer LCC-Skripte je nach Entwicklungsumgebung unterschiedlich ist, empfehlen wir, ein kombiniertes LCC zu kombinieren JupyterServer und KernelGateway LCCs zu erstellen.

LCCs in Studio kann mit einer der folgenden Anwendungen verknüpft werden:

  • JupyterLab

  • Code-Editor

Benutzer können bei der Erstellung eines Raums die LCC für den jeweiligen Anwendungstyp auswählen oder die vom Administrator festgelegte Standard-LCC verwenden.

Anmerkung

Die vorhandenen Skripte zum automatischen Herunterfahren von Studio Classic sind mit Studio nicht kompatibel. Ein Beispiel für ein Studio-Skript zum automatischen Herunterfahren finden Sie unter Beispiele für die SageMaker Studio-Lebenszykluskonfiguration.

Überlegungen beim Refactoring LCCs

Beachten Sie beim Refactoring Ihres die folgenden Unterschiede zwischen Studio Classic und Studio. LCCs

  • JupyterLab und Code-Editor-Anwendungen werden, wenn sie erstellt wurden, wie sagemaker-user mit UID:1001 und ausgeführt. GID:101 sagemaker-userHat standardmäßig die Berechtigung, sudo/root Berechtigungen anzunehmen. KernelGatewayAnwendungen werden root standardmäßig ausgeführt.

  • SageMaker Distributions-Images, die innerhalb JupyterLab von Code Editor-Apps ausgeführt werden, verwenden den Debian basierten Paketmanager,apt-get.

  • Studio JupyterLab - und Code Editor-Anwendungen verwenden den Conda Paketmanager. SageMaker AI erstellt eine einzige Python3 Conda Basisumgebung, wenn eine Studio-Anwendung gestartet wird. Informationen zum Aktualisieren von Paketen in der Conda-Basisumgebung und zum Erstellen neuer Conda-Umgebungen finden Sie unter JupyterLab Benutzerleitfaden. Im Gegensatz dazu verwenden nicht alle KernelGateway-Anwendungen Conda als Paketmanager.

  • Die JupyterLab Studio-Anwendung verwendetJupyterLab 4.0, während Studio Classic verwendetJupyterLab 3.0. Stellen Sie sicher, dass alle von Ihnen verwendeten JupyterLab-Erweiterungen mit JupyterLab 4.0 kompatibel sind. Weitere Informationen zu Erweiterungen finden Sie unter Erweiterungskompatibilität mit JupyterLab 4.0.