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.

Privates Repository für Laufzeitabhängigkeiten

Mit Hilfe von Befehlen oder Skripten können Sie vor der Ausführung in Ihrer Jobumgebung einen Abhängigkeitsmanager wie Pip oder Conda konfigurieren. Um eine Netzwerkisolierung zu erreichen, verwenden Sie eine dieser Optionen, um Ihre Abhängigkeitsmanager so umzuleiten, dass sie auf Ihre privaten Repositorys zugreifen und Remote-Funktionen innerhalb einer VPC ausführen. Die Befehle oder das Skript vor der Ausführung werden ausgeführt, bevor Ihre Remote-Funktion ausgeführt wird. Sie können diese mit dem @remote Decorator, der RemoteExecutor API oder in einer Konfigurationsdatei definieren.

Die folgenden Abschnitte zeigen Ihnen, wie Sie auf ein privates Python-Paketindex (PyPI) -Repository zugreifen, das mit verwaltet wird. AWS CodeArtifact In den Abschnitten wird auch gezeigt, wie Sie auf einen benutzerdefinierten Conda-Channel zugreifen, der von Amazon Simple Storage Service (Amazon S3) gehostet wird.

Wie verwende ich ein benutzerdefiniertes PyPI-Repository, das mit verwaltet wird AWS CodeArtifact

Für die Verwaltung CodeArtifact eines benutzerdefinierten PyPI-Repositorys sind die folgenden Voraussetzungen erforderlich:

Das folgende Beispiel für einen Befehl vor der Ausführung zeigt, wie Pip im SageMaker AI-Trainingsjob so konfiguriert wird, dass es auf Ihr Repository verweist. CodeArtifact Weitere Informationen finden Sie unter Pip konfigurieren und verwenden mit. CodeArtifact

# use a requirements.txt file to import dependencies
@remote(
    instance_type="ml.m5.large"
    image_uri = "my_base_python:latest", 
    dependencies = './requirements.txt',
    pre_execution_commands=[
        "aws codeartifact login --tool pip --domain my-org --domain-owner <000000000000> --repository my-codeartifact-python-repo --endpoint-url https://vpce-xxxxx.api.codeartifact.us-east-1.vpce.amazonaws.com"
    ]
)
def matrix_multiply(a, b):
    return np.matmul(a, b)

So verwenden Sie einen benutzerdefinierten Conda-Channel, der auf Amazon S3 gehostet wird

Für die Verwaltung eines benutzerdefinierten Conda-Repositorys mit Hilfe von Amazon S3 bestehen die folgenden Voraussetzungen:

Das folgende Beispiel für Befehle vor der Ausführung zeigt, wie Sie Conda im SageMaker Trainingsjob so konfigurieren, dass es auf Ihren privaten Channel auf Amazon S3 verweist. Die Befehle vor der Ausführung entfernen den Standard-Channel und fügen benutzerdefinierte Kanäle zu einer Conda-Konfigurationsdatei hinzu. .condarc

# specify your dependencies inside a conda yaml file
@remote(
    instance_type="ml.m5.large"
    image_uri = "my_base_python:latest", 
    dependencies = "./environment.yml",
    pre_execution_commands=[
        "conda config --remove channels 'defaults'"
        "conda config --add channels 's3://my_bucket/my-conda-repository/conda-forge/'",
        "conda config --add channels 's3://my_bucket/my-conda-repository/main/'"
    ]
)
def matrix_multiply(a, b):
    return np.matmul(a, b)