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 Benutzerleitfaden 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](studio-updated-spaces.md). 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 Amazon EC2 EC2-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 Amazon EC2 EC2-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](jl-lcc.md). **Topics** + [Erstellen eines Berichts](studio-updated-jl-user-guide-create-space.md) + [Konfigurieren eines Bereichs](studio-updated-jl-user-guide-configure-space.md) + [Anpassen Ihrer Umgebung mithilfe eines Paketmanagers](studio-updated-jl-user-guide-customize-package-manager.md) + [Bereinigen einer Conda-Umgebung](studio-updated-jl-clean-up-conda.md) + [Teilen von Conda-Umgebungen zwischen Instance-Typen](studio-updated-jl-create-conda-share-environment.md) + [Verwenden von Amazon Q, um Ihre Machine-Learning-Workflows zu beschleunigen](studio-updated-jl-user-guide-use-amazon-q.md) # Erstellen eines Berichts Erstellen Sie zunächst einen Bereich oder wählen Sie den Bereich aus JupyterLab, den Ihr Administrator für Sie erstellt hat, und öffnen Sie ihn JupyterLab. Gehen Sie wie folgt vor, um einen Bereich zu erstellen und zu öffnen JupyterLab. **Um einen Raum zu erstellen und zu öffnen JupyterLab** 1. Studio erneut öffnen Informationen zum Öffnen von Studio finden Sie unter [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md). 1. Wählen Sie **JupyterLab**. 1. Wählen Sie ** JupyterLab Bereich erstellen**. 1. Geben Sie unter **Name** den Namen des Bereichs an. 1. (Optional) Wählen Sie **Mit meiner Domain teilen** aus, um einen gemeinsam genutzten Bereich zu erstellen. 1. Wählen Sie **Bereich erstellen** aus. 1. (Optional) Geben Sie für **Instance** die Amazon-EC2-Instance an, die den Bereich ausführt. 1. (Optional) Geben Sie für **Image** ein Image an, das Ihr Administrator zur Anpassung Ihrer Umgebung bereitgestellt hat. **Wichtig** Benutzerdefinierte IAM-Richtlinien, die es Studio-Benutzern ermöglichen, Bereiche zu erstellen, müssen auch Berechtigungen zum Auflisten von Images (`sagemaker: ListImage`) gewähren, um benutzerdefinierte Images anzeigen zu können. Informationen zum Hinzufügen der Berechtigung finden Sie unter [Hinzufügen oder Entfernen von Identitätsberechtigungen](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) im *AWS Identity and Access Management*-Benutzerhandbuch. [AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker KI-Ressourcen gewähren, beinhalten bereits die Erlaubnis, Bilder während der Erstellung dieser Ressourcen aufzulisten. 1. (Optional) Geben Sie für **Bereichseinstellungen** Folgendes an: + **Speicher (GB)** – bis zu 100 GB oder die von Ihrem Administrator festgelegte Größe. + **Lebenszykluskonfiguration** – eine Lebenszykluskonfiguration, die Ihr Administrator festlegt. + **Benutzerdefiniertes EFS-Dateisystem anfügen** – ein Amazon EFS, auf das Ihr Administrator Zugriff gewährt. 1. Wählen Sie **Bereich ausführen** aus. 1. Klicken Sie auf **Open JupyterLab**. # Konfigurieren eines Bereichs Nachdem Sie einen JupyterLab Bereich erstellt haben, können Sie ihn wie folgt konfigurieren: + Ändern Sie den Instance-Typ. + Ändern Sie den Speicherdatensatz. + (Administratorkonfiguration erforderlich) Verwenden Sie ein benutzerdefiniertes Image. + (Administratorkonfiguration erforderlich) Verwenden Sie eine Lebenszykluskonfiguration. + (Administratorkonfiguration erforderlich) Hängen Sie ein benutzerdefiniertes Amazon EFS an. **Wichtig** Sie müssen den JupyterLab Space jedes Mal beenden, wenn Sie ihn konfigurieren. Verwenden Sie das folgende Verfahren, um den Bereich zu konfigurieren. **So konfigurieren Sie einen Bereich** 1. Navigieren Sie in Studio zur JupyterLab Anwendungsseite. 1. Wählen Sie den Namen des Bereichs aus. 1. (Optional) Geben Sie für **Image** ein Image an, das Ihr Administrator zur Anpassung Ihrer Umgebung bereitgestellt hat. **Wichtig** Benutzerdefinierte IAM-Richtlinien, die es Studio-Benutzern ermöglichen, Bereiche zu erstellen, müssen auch Berechtigungen zum Auflisten von Images (`sagemaker: ListImage`) gewähren, um benutzerdefinierte Images anzeigen zu können. Informationen zum Hinzufügen der Berechtigung finden Sie unter [Hinzufügen oder Entfernen von Identitätsberechtigungen](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) im *AWS Identity and Access Management*-Benutzerhandbuch. [AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker KI-Ressourcen gewähren, beinhalten bereits Berechtigungen zum Auflisten von Bildern bei der Erstellung dieser Ressourcen. 1. (Optional) Geben Sie für **Bereichseinstellungen** Folgendes an: + **Speicher (GB)** – bis zu 100 GB oder die von Ihrem Administrator konfigurierte Größe für den Bereich. + **Lebenszykluskonfiguration** – eine Lebenszykluskonfiguration, die Ihr Administrator angibt. + **Benutzerdefiniertes EFS-Dateisystem anfügen** – ein Amazon EFS, auf das Ihr Administrator Zugriff gewährt. 1. Wählen Sie **Bereich ausführen** aus. Wenn Sie die JupyterLab Anwendung öffnen, hat Ihr Bereich die aktualisierte Konfiguration. # Anpassen Ihrer Umgebung mithilfe eines Paketmanagers Verwenden Sie pip oder conda, um Ihre Umgebung anzupassen. Wir empfehlen die Verwendung von Paketmanagern anstelle von Skripten für die Lebenszykluskonfiguration. ## Erstellen und Aktivieren der benutzerdefinierten Umgebung Dieser Abschnitt enthält Beispiele für verschiedene Möglichkeiten, wie Sie eine Umgebung konfigurieren können JupyterLab. Eine grundlegende Conda-Umgebung verfügt über die Mindestanzahl von Paketen, die für Ihre Workflows in SageMaker KI erforderlich sind. Verwenden Sie die folgende Vorlage, um eine grundlegende Conda-Umgebung zu erstellen: ``` # initialize conda for shell interaction conda init # create a new fresh environment conda create --name test-env # check if your new environment is created successfully conda info --envs # activate the new environment conda activate test-env # install packages in your new conda environment conda install pip boto3 pandas ipykernel # list all packages install in your new environment conda list # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # to exit your new environment conda deactivate ``` Das folgende Image zeigt den Standort der von Ihnen erstellten Umgebung. ![\[Die test-env-Umgebung wird in der oberen rechten Ecke des Bildschirms angezeigt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/juptyer-notebook-environment-location.png) Um Ihre Umgebung zu ändern, wählen Sie sie aus und wählen Sie eine Option aus dem Dropdown-Menü aus. ![\[Das Häkchen und der entsprechende Text zeigen eine Beispielumgebung, die Sie zuvor erstellt haben.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jupyter-notebook-select-env.png) Wählen Sie **Auswählen** aus, um einen Kernel für die Umgebung auszuwählen. ## Erstellen einer Conda-Umgebung mit einer bestimmten Python-Version Das Bereinigen nicht verwendeter Conda-Umgebungen kann dazu beitragen, Speicherplatz freizugeben und die Leistung zu verbessern. Verwenden Sie die folgende Vorlage, um eine Conda-Umgebung zu bereinigen: ``` # create a conda environment with a specific python version conda create --name py38-test-env python=3.8.10 # activate and test your new python version conda activate py38-test-env & python3 --version # Install ipykernel to facilicate env registration conda install ipykernel # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # deactivate your py38 test environment conda deactivate ``` ## Erstellen einer Conda-Umgebung mit einem bestimmten Satz von Paketen Verwenden Sie die folgende Vorlage, um eine Conda-Umgebung mit einer bestimmten Version von Python und einer Reihe von Paketen zu erstellen: ``` # prefill your conda environment with a set of packages, conda create --name py38-test-env python=3.8.10 pandas matplotlib=3.7 scipy ipykernel # activate your conda environment and ensure these packages exist conda activate py38-test-env # check if these packages exist conda list | grep -E 'pandas|matplotlib|scipy' # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # deactivate your conda environment conda deactivate ``` ## Klonen von Conda aus einer vorhandenen Umgebung Klonen Sie Ihre Conda-Umgebung, um deren Funktionsfähigkeit zu gewährleisten. Sie experimentieren in der geklonten Umgebung, ohne sich Gedanken über grundlegende Änderungen in Ihrer Testumgebung machen zu müssen. Mit dem folgenden Befehl klonen Sie eine Umgebung. ``` # create a fresh env from a base environment conda create --name py310-base-ext --clone base # replace 'base' with another env # activate your conda environment and ensure these packages exist conda activate py310-base-ext # install ipykernel to register your env conda install ipykernel # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # deactivate your conda environment conda deactivate ``` ## Klonen von Conda aus einer YAML-Referenzdatei Erstellen Sie eine Conda-Umgebung aus einer YAML-Referenzdatei. Es folgt ein Beispiel für eine YAML-Datei, die Sie verwenden können. ``` # anatomy of a reference environment.yml name: py311-new-env channels: - conda-forge dependencies: - python=3.11 - numpy - pandas - scipy - matplotlib - pip - ipykernel - pip: - git+https://github.com/huggingface/transformers ``` Unter `pip` empfehlen wir, nur die Abhängigkeiten anzugeben, die mit Conda nicht verfügbar sind. Verwenden Sie die folgenden Befehle, um eine Conda-Umgebung aus einer YAML-Datei zu erstellen. ``` # create your conda environment conda env create -f environment.yml # activate your env conda activate py311-new-env ``` # Bereinigen einer Conda-Umgebung Das Bereinigen nicht verwendeter Conda-Umgebungen kann dazu beitragen, Speicherplatz freizugeben und die Leistung zu verbessern. Verwenden Sie die folgende Vorlage, um eine Conda-Umgebung zu bereinigen: ``` # list your environments to select an environment to clean conda info --envs # or conda info -e # once you've selected your environment to purge conda remove --name test-env --all # run conda environment list to ensure the target environment is purged conda info --envs # or conda info -e ``` # Teilen von Conda-Umgebungen zwischen Instance-Typen Sie können Conda-Umgebungen teilen, indem Sie sie in einem Amazon-EFS-Verzeichnis außerhalb Ihres Amazon-EBS-Volumes speichern. Ein anderer Benutzer kann auf die Umgebung in dem Verzeichnis zugreifen, in dem Sie sie gespeichert haben. **Wichtig** Es gibt Einschränkungen bei der gemeinsamen Nutzung Ihrer Umgebungen. Beispielsweise empfehlen wir keine Umgebung, die für die Ausführung auf einer Instance von GPU Amazon EC2 vorgesehen ist, gegenüber einer Umgebung, die auf einer CPU-Instance ausgeführt wird. Verwenden Sie die folgenden Befehle als Vorlage, um das Zielverzeichnis anzugeben, in dem Sie eine benutzerdefinierte Umgebung erstellen möchten. Sie erstellen eine Conda innerhalb eines bestimmten Pfades. Sie erstellen sie im Amazon-EFS-Verzeichnis. Sie können eine neue Instance erstellen, den Befehl „conda activate path“ ausführen und dies innerhalb von Amazon EFS durchführen. ``` # if you know your environment path for your conda environment conda create --prefix /home/sagemaker-user/my-project/py39-test python=3.9 # activate the env with full path from prefix conda activate home/sagemaker-user/my-project/py39-test # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | awk -F' : ' '{print $2}' | awk -F'/' '{print $NF}') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env-prefix:($CURRENT_ENV_NAME)" # deactivate your conda environment conda deactivate ``` # Verwenden von Amazon Q, um Ihre Machine-Learning-Workflows zu beschleunigen Amazon Q Developer ist Ihr KI-gestütztes Begleittool für die Entwicklung von Machine Learning. Mit Amazon Q Developer können Sie: + Lassen Sie sich step-by-step beraten, wie Sie SageMaker KI-Funktionen unabhängig oder in Kombination mit anderen AWS Diensten nutzen können. + Holen Sie sich Beispielcode, um mit Ihren ML-Aufgaben wie Datenaufbereitung, Training, Inferenz und MLOps zu beginnen. + Sie erhalten Unterstützung bei der Fehlerbehebung, um Fehler zu debuggen und zu beseitigen, die beim Ausführen von Code aufgetreten sind. Amazon Q Developer lässt sich nahtlos in Ihre JupyterLab Umgebung integrieren. Um Amazon Q Developer zu verwenden, wählen Sie **Q** in der linken Navigationsleiste Ihrer JupyterLab Umgebung oder Code-Editor-Umgebung aus. Wenn Sie das **Q**-Symbol nicht sehen, muss Ihr Administrator es für Sie einrichten. Weitere Informationen über die Einrichtung von Amazon Q Developer finden Sie unter [Amazon Q Developer für Ihre Benutzer einrichten](studio-updated-amazon-q-admin-guide-set-up.md). Amazon Q bietet automatisch Vorschläge, die Ihnen beim Schreiben Ihres Codes helfen. Sie können auch über die Chat-Oberfläche nach Vorschlägen fragen.