Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # JupyterLab guide de l'utilisateur Ce guide explique JupyterLab aux utilisateurs comment exécuter des flux de travail d'analyse et d'apprentissage automatique dans SageMaker Studio. Vous pouvez bénéficier d’un stockage rapide et mettre à l’échelle votre capacité de calcul, en fonction de vos besoins. JupyterLab prend en charge les espaces privés et partagés. Les espaces privés sont limités à un utilisateur unique dans un domaine. Les espaces partagés permettent aux autres utilisateurs de votre domaine de collaborer avec vous en temps réel. Pour en savoir plus sur les espaces Studio, consultez [Espaces Amazon SageMaker Studio](studio-updated-spaces.md). Pour commencer à l'utiliser JupyterLab, créez un espace et lancez votre JupyterLab application. L'espace sur lequel s'exécute votre JupyterLab application est un JupyterLab espace. L' JupyterLab espace utilise une seule instance Amazon EC2 pour vos calculs et un seul volume Amazon EBS pour votre stockage. Tout ce qui se trouve dans votre espace, comme votre code, votre profil git et les variables d’environnement, est stocké sur le même volume Amazon EBS. Le volume possède 3 000 IOPS et un débit de 125 mégaoctets par seconde (). MBps Vous pouvez utiliser le stockage rapide pour ouvrir et exécuter plusieurs blocs-notes Jupyter sur la même instance. Vous pouvez également changer de noyau très rapidement dans un bloc-notes. Votre administrateur a configuré les paramètres de stockage Amazon EBS par défaut pour votre espace. La taille de stockage par défaut est de 5 Go, mais vous pouvez augmenter la quantité d’espace disponible. Vous pouvez vous adresser à votre administrateur pour qu’il vous fournisse des directives. Vous pouvez changer le type d'instance Amazon EC2 que vous utilisez pour exécuter JupyterLab, en augmentant ou en diminuant votre capacité de calcul en fonction de vos besoins. Les instances à **lancement rapide** démarrent beaucoup plus rapidement que les autres instances. Votre administrateur peut vous fournir une configuration de cycle de vie qui personnalise votre environnement. Vous pouvez spécifier la configuration de cycle de vie lorsque vous créez l’espace. Si votre administrateur vous donne accès à un Amazon EFS, vous pouvez configurer votre JupyterLab espace pour y accéder. Par défaut, l' JupyterLab application utilise l'image SageMaker de distribution. Cela inclut la prise en charge de nombreux packages de machine learning, d’analytique et de deep learning. Toutefois, si vous avez besoin d’une image personnalisée, votre administrateur peut vous aider à accéder aux images personnalisées. Le volume Amazon EBS persiste indépendamment de la durée de vie d’une instance. Vous ne perdrez pas vos données en changeant les instances. Utilisez les bibliothèques de gestion de packages conda et pip pour créer des environnements personnalisés reproductibles qui persistent même lorsque vous changez de types d’instance. Après ouverture JupyterLab, vous pouvez configurer votre environnement à l'aide du terminal. Pour ouvrir le terminal, accédez au **Lanceur** et choisissez **Terminal**. Vous trouverez ci-dessous des exemples de différentes manières de configurer un environnement JupyterLab. **Note** Dans Studio, vous pouvez utiliser des configurations de cycle de vie pour personnaliser votre environnement, mais nous vous recommandons d’utiliser un gestionnaire de packages à la place. L’utilisation de configurations de cycle de vie est une méthode plus sujette aux erreurs. Il est plus facile d’ajouter ou de supprimer des dépendances que de déboguer un script de configuration de cycle de vie. Cela peut également augmenter le temps JupyterLab de démarrage. Pour en savoir plus sur les configurations de cycle de vie, consultez [Des configurations de cycle de vie avec JupyterLab](jl-lcc.md). **Topics** + [Création d’un espace](studio-updated-jl-user-guide-create-space.md) + [Configuration d’un espace](studio-updated-jl-user-guide-configure-space.md) + [Personnalisation de votre environnement à l’aide d’un gestionnaire de packages](studio-updated-jl-user-guide-customize-package-manager.md) + [Nettoyage d’un environnement conda](studio-updated-jl-clean-up-conda.md) + [Partage d’environnements conda entre des types d’instances](studio-updated-jl-create-conda-share-environment.md) + [Utilisation d’Amazon Q pour accélérer vos flux de travail de machine learning](studio-updated-jl-user-guide-use-amazon-q.md) # Création d’un espace Pour commencer à l'utiliser JupyterLab, créez un espace ou choisissez l'espace que votre administrateur a créé pour vous et ouvrez-le JupyterLab. Utilisez la procédure suivante pour créer un espace et l'ouvrir JupyterLab. **Pour créer un espace et ouvrir JupyterLab** 1. Ouvrez Studio. Pour en savoir plus sur l’ouverture de Studio, consultez [Lancez Amazon SageMaker Studio](studio-updated-launch.md). 1. Sélectionnez **JupyterLab**. 1. Choisissez **Créer un JupyterLab espace**. 1. Pour **Nom**, spécifiez le nom de l’espace. 1. (Facultatif) Sélectionnez **Partager avec mon domaine** pour créer un espace partagé. 1. Choisissez **Créer un espace**. 1. (Facultatif) Pour **Instance**, spécifiez l’instance Amazon EC2 qui gère l’espace. 1. (Facultatif) Pour **Image**, spécifiez une image fournie par votre administrateur pour personnaliser votre environnement. **Important** Les politiques IAM personnalisées qui permettent aux utilisateurs de Studio de créer des espaces doivent également accorder l’autorisation de répertorier des images (`sagemaker: ListImage`) afin de visualiser des images personnalisées. Pour ajouter l’autorisation, consultez [Ajout ou suppression d’autorisations d’identité](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) dans le Guide de l’utilisateur *Gestion des identités et des accès AWS*. [AWS politiques gérées pour Amazon SageMaker AI](security-iam-awsmanpol.md)qui donnent des autorisations pour créer des ressources d' SageMaker IA incluent déjà des autorisations pour répertorier des images lors de la création de ces ressources. 1. (Facultatif) Pour **Paramètres d’espace**, spécifiez les éléments suivants : + **Stockage (Go)** : jusqu’à 100 Go ou le montant indiqué par votre administrateur. + **Configuration du cycle de vie** : configuration de cycle de vie spécifiée par votre administrateur. + **Attacher un système de fichiers EFS personnalisé** : système de fichiers Amazon EFS auquel votre administrateur donne accès. 1. Choisissez **Exécuter Space**. 1. Choisissez **Ouvrir JupyterLab**. # Configuration d’un espace Après avoir créé un JupyterLab espace, vous pouvez le configurer pour effectuer les opérations suivantes : + Modifier le type d’instance. + Modifier le volume de stockage. + (Configuration administrative requise) Utiliser une image personnalisée. + (Configuration administrative requise) Utiliser une configuration de cycle de vie. + (Configuration administrative requise) Attacher un système de fichiers Amazon EFS personnalisé. **Important** Vous devez arrêter l' JupyterLab espace à chaque fois que vous le configurez. Procédez comme suit pour configurer l’espace. **Pour configurer un espace** 1. Dans Studio, accédez à la page de JupyterLab l'application. 1. Choisissez le nom de l’espace. 1. (Facultatif) Pour **Image**, spécifiez une image fournie par votre administrateur pour personnaliser votre environnement. **Important** Les politiques IAM personnalisées qui permettent aux utilisateurs de Studio de créer des espaces doivent également accorder l’autorisation de répertorier des images (`sagemaker: ListImage`) afin de visualiser des images personnalisées. Pour ajouter l’autorisation, consultez [Ajout ou suppression d’autorisations d’identité](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) dans le Guide de l’utilisateur *Gestion des identités et des accès AWS*. [AWS politiques gérées pour Amazon SageMaker AI](security-iam-awsmanpol.md)qui donnent des autorisations pour créer des ressources d' SageMaker IA incluent déjà des autorisations pour répertorier des images lors de la création de ces ressources. 1. (Facultatif) Pour **Paramètres d’espace**, spécifiez les éléments suivants : + **Stockage (Go)** : jusqu’à 100 Go ou la quantité d’espace configurée par votre administrateur. + **Configuration du cycle de vie** : configuration de cycle de vie spécifiée par votre administrateur. + **Attacher un système de fichiers EFS personnalisé** : système de fichiers Amazon EFS auquel votre administrateur donne accès. 1. Choisissez **Exécuter Space**. Lorsque vous ouvrez l' JupyterLab application, la configuration de votre espace est mise à jour. # Personnalisation de votre environnement à l’aide d’un gestionnaire de packages Utilisez pip ou conda pour personnaliser votre environnement. Nous recommandons d’utiliser des gestionnaires de packages plutôt que des scripts de configuration de cycle de vie. ## Création et activation de votre environnement personnalisé Cette section fournit des exemples de différentes manières de configurer un environnement JupyterLab. Un environnement conda de base possède le nombre minimum de packages requis pour vos flux de travail en SageMaker IA. Utilisez le modèle suivant pour créer un environnement conda de base : ``` # 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 ``` L’image suivante montre l’emplacement de l’environnement que vous avez créé. ![\[L’environnement test-env s’affiche dans l’angle supérieur droit de l’écran.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/juptyer-notebook-environment-location.png) Pour modifier votre environnement, choisissez-le et sélectionnez une option dans le menu déroulant. ![\[La coche et le texte correspondant montrent un exemple d’environnement que vous avez créé précédemment.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jupyter-notebook-select-env.png) Choisissez **Sélectionner** pour sélectionner un noyau pour l’environnement. ## Création d’un environnement conda avec une version spécifique de Python Le nettoyage des environnements conda que vous n’utilisez pas peut contribuer à libérer de l’espace disque et à améliorer les performances. Utilisez le modèle suivant pour nettoyer un environnement conda : ``` # 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 ``` ## Création d’un environnement conda avec un ensemble spécifique de packages Utilisez le modèle suivant pour créer un environnement conda avec une version spécifique de Python et un ensemble de packages : ``` # 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 ``` ## Clonage d’un environnement conda à partir d’un environnement existant Clonez votre environnement conda pour préserver son état de fonctionnement. Vous expérimentez dans l’environnement cloné sans avoir à vous soucier d’introduire des modifications majeures dans votre environnement de test. Utilisez la commande suivante pour cloner un environnement. ``` # 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 ``` ## Clonage d’un environnement conda à partir d’un fichier YAML de référence Créez un environnement conda à partir d’un fichier YAML de référence. Voici un exemple de fichier YAML que vous pouvez utiliser. ``` # 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 ``` Sous `pip`, nous vous recommandons de ne spécifier que les dépendances qui ne sont pas disponibles avec conda. Utilisez les commandes suivantes pour créer un environnement conda à partir d’un fichier YAML. ``` # create your conda environment conda env create -f environment.yml # activate your env conda activate py311-new-env ``` # Nettoyage d’un environnement conda Le nettoyage des environnements conda que vous n’utilisez pas peut contribuer à libérer de l’espace disque et à améliorer les performances. Utilisez le modèle suivant pour nettoyer un environnement conda : ``` # 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 ``` # Partage d’environnements conda entre des types d’instances Vous pouvez partager des environnements conda en les enregistrant dans un répertoire Amazon EFS en dehors de votre volume Amazon EBS. Un autre utilisateur peut accéder à l’environnement dans le répertoire où vous l’avez enregistré. **Important** Le partage de vos environnements présente des limites. Par exemple, nous ne recommandons pas l’utilisation d’un environnement destiné à être exécuté sur une instance de GPU Amazon EC2 à l’utilisation d’un environnement exécuté sur une instance de CPU. Utilisez les commandes suivantes comme modèle pour spécifier le répertoire cible dans lequel vous créez un environnement personnalisé. Vous créez un environnement conda dans un dossier particulier. Vous le créez dans le répertoire Amazon EFS. Vous pouvez créer une nouvelle instance, exécuter le chemin d’activation conda et procéder dans Amazon EFS. ``` # 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 ``` # Utilisation d’Amazon Q pour accélérer vos flux de travail de machine learning Amazon Q Developer est votre compagnon basé sur l’IA pour le développement du machine learning. Avec Amazon Q Developer, vous pouvez : + Recevez des step-by-step conseils sur l'utilisation des fonctionnalités de l' SageMaker IA indépendamment ou en combinaison avec d'autres AWS services. + Obtenez un exemple de code pour démarrer vos tâches de machine learning telles que la préparation des données, la formation, l'inférence et MLOps. + Recevoir une assistance de dépannage afin de déboguer et de résoudre les erreurs rencontrées lors de l’exécution du code. Amazon Q Developer s'intègre parfaitement à votre JupyterLab environnement. Pour utiliser Amazon Q Developer, choisissez le **Q** dans le menu de navigation de gauche de votre JupyterLab environnement ou de votre environnement Code Editor. Si vous ne voyez pas l’icône **Q**, votre administrateur doit la configurer pour vous. Pour plus d’informations sur la configuration d’Amazon Q Developer, consultez [Configuration d’Amazon Q Developer pour vos utilisateurs](studio-updated-amazon-q-admin-guide-set-up.md). Amazon Q fournit automatiquement des suggestions pour vous aider à écrire votre code. Vous pouvez également demander des suggestions via l’interface de chat.