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.
Benutzerhandbuch
In diesem Abschnitt wird beschrieben, wie Datenwissenschaftler und Dateningenieure einen Amazon EMR-Cluster von Studio oder Studio Classic aus starten, ermitteln, eine Verbindung zu ihm herstellen oder ihn beenden können.
Bevor Benutzer Cluster auflisten oder starten können, müssen Administratoren die erforderlichen Einstellungen in der Studio-Umgebung konfiguriert haben. Informationen darüber, wie Administratoren eine Studio-Umgebung so konfigurieren können, dass sie die Selbstbereitstellung und die Auflistung von Amazon EMR-Clustern ermöglicht, finden Sie unter. Admin-Leitfaden
Themen
- Unterstützte Images und Kernel für die Verbindung zu einem Amazon EMR-Cluster von Studio oder Studio Classic
- Bring Your Own Image
- Starten Sie einen Amazon EMR-Cluster von Studio oder Studio Classic aus
- Amazon EMR-Cluster aus Studio oder Studio Classic auflisten
- Stellen Sie von SageMaker Studio oder Studio Classic aus eine Connect zu einem Amazon EMR-Cluster her
- Einen Amazon EMR-Cluster von Studio oder Studio Classic aus beenden
- Greifen Sie von Studio oder Studio Classic aus auf die Spark-Benutzeroberfläche zu
Unterstützte Images und Kernel für die Verbindung zu einem Amazon EMR-Cluster von Studio oder Studio Classic
Die folgenden Images und Kernel enthalten die JupyterLab Erweiterung sagemaker-studio-analytics-extension
-
Für Studio-Benutzer: SageMaker Distribution ist eine Docker-Umgebung für Data Science, die als Standard-Image für Notebook-Instances verwendet wird. JupyterLab Alle Versionen von SageMakerDistribution
sind sagemaker-studio-analytics-extension
vorinstalliert. -
Für Studio Classic-Benutzer: Die folgenden Images sind vorinstalliert mit:
sagemaker-studio-analytics-extension
-
DataScience — Python-3-Kernel
-
DataScience 2.0 — Python-3-Kernel
-
DataScience 3.0 — Python-3-Kernel
-
SparkAnalytics 1.0 — SparkMagic und PySpark Kernel
-
SparkAnalytics 2.0 — SparkMagic und Kernel PySpark
-
SparkMagic — SparkMagic und Kernel PySpark
-
PyTorch 1.8 — Python-3-Kernel
-
TensorFlow 2.6 — Python-3-Kernel
-
TensorFlow 2.11 — Python-3-Kernel
-
Um über ein anderes integriertes oder Ihr eigenes Image eine Verbindung zu Amazon EMR-Clustern herzustellen, folgen Sie den Anweisungen unter Bring Your Own Image.
Bring Your Own Image
Um Ihr eigenes Image in Studio oder Studio Classic zu integrieren und es Ihren Notebooks zu ermöglichen, sich mit Amazon EMR-Clustern zu verbinden, installieren Sie die folgende sagemaker-studio-analytics-extension
pip install sparkmagic pip install sagemaker-studio-sparkmagic-lib pip install sagemaker-studio-analytics-extension
Um mit Kerberos-Authentifizierung eine Verbindung zu Amazon EMR herzustellen, müssen Sie außerdem den Kinit-Client installieren. Je nach Betriebssystem kann der Befehl zur Installation des Kinit-Clients unterschiedlich sein. Verwenden Sie den Befehl apt-get install -y -qq krb5-user
, um ein Ubuntu-Image (auf Basis von Debian) mitzubringen.
Weitere Informationen zum Mitbringen Ihres eigenen Images in SageMaker Studio oder Studio Classic finden Sie unter Bringen Sie Ihr eigenes SageMaker Bild mit.