Phase 2: (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:

• Eine JupyterServer Anwendung, auf der das ausgeführt wirdJupyter Server.

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

Studio hat sich von einer geteilten Umgebung verabschiedet. 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 Sie benutzerdefinierte Bilder

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 das Erstellen benutzerdefinierter Images durch die Bereitstellung SageMaker Verteilung von Bildern von. SageMakerZu den Distributions-Images gehören 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 unter SageMaker Amazon-Bilder sind für die Verwendung mit Studio Classic 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 folgen. Dockerfile-Spezifikationen Sie müssen das Image installieren JupyterLab und die Open-Source-Version CodeServer auf dem Image installieren, damit es mit Studio kompatibel ist.

Lebenszykluskonfigurationen migrieren

Aufgrund des vereinfachten lokalen Laufzeitmodells in Studio empfehlen wir, die Struktur Ihrer vorhandenen Studio Classic-LCCs zu migrieren. In Studio Classic müssen Sie häufig separate Lebenszykluskonfigurationen für beide KernelGateway Anwendungen erstellen. JupyterServer Da die KernelGateway Anwendungen JupyterServer und auf separaten Rechenressourcen in Studio Classic ausgeführt werden, kann es sich bei Studio Classic-LCCs um einen der folgenden Typen handeln:

• JupyterServerLCC: Diese LCCs regeln 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. Dazu gehören die Aktualisierung der Numpy-Paketversionen im Data Science 3.0 Kernel und die Installation des Snowflake-Pakets im Kernel. Pytorch 2.0 GPU

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, KernelGateway LCCs zu kombinierenJupyterServer, um ein kombiniertes LCC zu erstellen.

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

• JupyterLab

• Code-Editor

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

Anmerkung

Bestehende Studio Classic-Skripts zum automatischen Herunterfahren funktionieren nicht mit Studio. Ein Beispiel für ein Studio-Skript zum automatischen Herunterfahren finden Sie unter Beispiele für die SageMaker Studio-Lebenszykluskonfiguration.

Überlegungen beim Refactoring von LCCs

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

• JupyterLab und Code-Editor-Anwendungen werden, wenn sie erstellt wurden, wie bei und ausgeführt. sagemaker-user UID:1001 GID:101 Standardmäßig sagemaker-user ist es berechtigt, Sudo-/Root-Rechte anzunehmen. KernelGatewayAnwendungen werden standardmäßig ausgeführt. root

• 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 erstellt eine einzige Python3 Conda Basisumgebung, wenn eine Studio-Anwendung gestartet wird. Hinweise zum Aktualisieren von Paketen in der Conda Basisumgebung und zum Erstellen neuer Conda Umgebungen finden Sie unterJupyterLab benutzerhandbuch. Im Gegensatz dazu werden nicht alle KernelGateway Anwendungen Conda als Paketmanager verwendet.

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