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 den Code-Editor Code-OSS, der auf Visual Studio Code — Open-Source-Anwendungen basiert, in einem lokalen Laufzeitmodell aus. Weitere Informationen zur Änderung der Architektur finden Sie unter [Steigern Sie die Produktivität in Amazon SageMaker Studio](https://aws.amazon.com/blogs//machine-learning/boost-productivity-on-amazon-sagemaker-studio-introducing-jupyterlab-spaces-and-generative-ai-tools/).
## 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 von[SageMaker Richtlinien zur Unterstützung von Studio-Images](sagemaker-distribution.md). SageMaker Zu den Images von AI Distribution 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-Notebooks verfügbar](notebooks-available-images.md).
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 Code-OSS, der auf Visual Studio Code — Open Source basiert.
+ Erstellen Sie eine benutzerdefinierte Dockerfile-Datei, indem Sie den Anweisungen unter [Bring Your Own Image (BYOI)](studio-updated-byoi.md) 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 Ihrer bestehenden Studio-Classic-LCCs zu migrieren. In Studio Classic ist es häufig erforderlich, separate Lebenszykluskonfigurationen für beide Anwendungen KernelGateway und JupyterServer zu erstellen. Da die Anwendungen JupyterServer und KernelGateway auf separaten Rechenressourcen innerhalb von Studio Classic ausgeführt werden, können Studio-Classic-LCCs einer der folgenden Typen sein:
+ JupyterServer-LCC: Diese LCCs regeln hauptsächlich die Aktionen eines Benutzers auf seinem Rechner, darunter die Einrichtung von Proxys, das Erstellen von Umgebungsvariablen und das automatische Herunterfahren von Ressourcen.
+ KernelGateway-LCC: Diese LCCs regeln die Optimierungen der Notebook-Umgebung von Studio Classic. 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. Die Migration Ihrer LCC-Skripte hängt von der Entwicklungsumgebung ab. Wir empfehlen jedoch, JupyterServer- und KernelGateway-LCCs zu kombinieren, 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 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](https://github.com/aws-samples/sagemaker-studio-apps-lifecycle-config-examples).
### Überlegungen zum Faktorwechsel von LCCs
Beachten Sie beim Faktorwechsel Ihrer LCCs die folgenden Unterschiede zwischen Studio Classic und Studio.
+ JupyterLab und Code Editor-Anwendungen werden, wenn sie erstellt wurden, wie `sagemaker-user` mit `UID:1001` und `GID:101` ausgeführt. `sagemaker-user`Hat 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](studio-updated-jl-user-guide.md). Im Gegensatz dazu verwenden nicht alle KernelGateway-Anwendungen Conda als Paketmanager.
+ Die JupyterLab Studio-Anwendung verwendet`JupyterLab 4.0`, während Studio Classic verwendet`JupyterLab 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](https://github.com/jupyterlab/jupyterlab/issues/14590).