Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. # JupyterLab panduan pengguna Panduan ini menunjukkan kepada JupyterLab pengguna cara menjalankan alur kerja analitik dan pembelajaran mesin dalam SageMaker Studio. Anda bisa mendapatkan penyimpanan cepat dan skala komputasi Anda naik atau turun, tergantung pada kebutuhan Anda. JupyterLab mendukung ruang pribadi dan bersama. Ruang pribadi dicakup untuk satu pengguna dalam domain. Ruang bersama memungkinkan pengguna lain di domain Anda berkolaborasi dengan Anda secara real time. Untuk informasi tentang ruang Studio, lihat[Ruang Amazon SageMaker Studio](studio-updated-spaces.md). Untuk mulai menggunakan JupyterLab, buat spasi dan luncurkan JupyterLab aplikasi Anda. Ruang yang menjalankan JupyterLab aplikasi Anda adalah JupyterLab spasi. JupyterLab Ruang ini menggunakan satu instans Amazon EC2 untuk komputasi Anda dan satu volume Amazon EBS untuk penyimpanan Anda. Segala sesuatu di ruang Anda seperti kode, profil git, dan variabel lingkungan disimpan pada volume Amazon EBS yang sama. Volume memiliki 3000 IOPS dan throughput 125 megabyte per detik (). MBps Anda dapat menggunakan penyimpanan cepat untuk membuka dan menjalankan beberapa notebook Jupyter pada instance yang sama. Anda juga dapat mengganti kernel di notebook dengan sangat cepat. Administrator Anda telah mengonfigurasi pengaturan penyimpanan Amazon EBS default untuk ruang Anda. Ukuran penyimpanan default adalah 5 GB, tetapi Anda dapat meningkatkan jumlah ruang yang Anda dapatkan. Anda dapat berbicara dengan administrator Anda untuk memberi Anda panduan. Anda dapat mengganti jenis instans Amazon EC2 yang Anda gunakan untuk menjalankan JupyterLab, menskalakan komputasi Anda ke atas atau ke bawah tergantung pada kebutuhan Anda. Instans **peluncuran cepat** dimulai jauh lebih cepat daripada instance lainnya. Administrator Anda mungkin memberi Anda konfigurasi siklus hidup yang menyesuaikan lingkungan Anda. Anda dapat menentukan konfigurasi siklus hidup saat Anda membuat ruang. Jika administrator memberi Anda akses ke Amazon EFS, Anda dapat mengonfigurasi JupyterLab ruang untuk mengaksesnya. Secara default, JupyterLab aplikasi menggunakan gambar SageMaker distribusi. Ini termasuk dukungan untuk banyak pembelajaran mesin, analitik, dan paket pembelajaran mendalam. Namun, jika Anda memerlukan gambar khusus, administrator Anda dapat membantu menyediakan akses ke gambar khusus. Volume Amazon EBS bertahan secara independen dari kehidupan sebuah instans. Anda tidak akan kehilangan data saat mengubah instance. Gunakan pustaka manajemen paket conda dan pip untuk membuat lingkungan kustom yang dapat direproduksi yang tetap ada bahkan saat Anda mengganti jenis instance. Setelah Anda membuka JupyterLab, Anda dapat mengonfigurasi lingkungan Anda menggunakan terminal. Untuk membuka terminal, arahkan ke **Launcher** dan pilih **Terminal**. Berikut ini adalah contoh berbagai cara Anda dapat mengonfigurasi lingkungan JupyterLab. **catatan** Di dalam Studio, Anda dapat menggunakan konfigurasi siklus hidup untuk menyesuaikan lingkungan, tetapi sebaiknya gunakan pengelola paket. Menggunakan konfigurasi siklus hidup adalah metode yang lebih rawan kesalahan. Lebih mudah untuk menambah atau menghapus dependensi daripada men-debug skrip konfigurasi siklus hidup. Hal ini juga dapat meningkatkan waktu JupyterLab startup. Untuk informasi tentang konfigurasi siklus hidup, lihat. [Konfigurasi siklus hidup dengan JupyterLab](jl-lcc.md) **Topics** + [Buat ruang](studio-updated-jl-user-guide-create-space.md) + [Konfigurasikan spasi](studio-updated-jl-user-guide-configure-space.md) + [Sesuaikan lingkungan Anda menggunakan manajer paket](studio-updated-jl-user-guide-customize-package-manager.md) + [Bersihkan lingkungan conda](studio-updated-jl-clean-up-conda.md) + [Bagikan lingkungan conda antar tipe instance](studio-updated-jl-create-conda-share-environment.md) + [Gunakan Amazon Q untuk Mempercepat Alur Kerja Machine Learning](studio-updated-jl-user-guide-use-amazon-q.md) # Buat ruang Untuk mulai menggunakan JupyterLab, buat spasi atau pilih ruang yang dibuat administrator untuk Anda dan buka JupyterLab. Gunakan prosedur berikut untuk membuat ruang dan terbuka JupyterLab. **Untuk membuat ruang dan terbuka JupyterLab** 1. Buka Studio. Untuk informasi tentang membuka Studio, lihat[Luncurkan Amazon SageMaker Studio](studio-updated-launch.md). 1. Pilih **JupyterLab**. 1. Pilih **Buat JupyterLab ruang**. 1. Untuk **Nama**, tentukan nama spasi. 1. (Opsional) Pilih **Bagikan dengan domain saya** untuk membuat ruang bersama. 1. Pilih **Buat ruang**. 1. (Opsional) **Misalnya**, tentukan instans Amazon EC2 yang menjalankan spasi. 1. (Opsional) Untuk **Gambar**, tentukan gambar yang disediakan administrator Anda untuk menyesuaikan lingkungan Anda. **penting** Kebijakan IAM khusus yang memungkinkan pengguna Studio membuat spasi juga harus memberikan izin untuk mencantumkan gambar (`sagemaker: ListImage`) untuk melihat gambar kustom. Untuk menambahkan izin, lihat [Menambahkan atau menghapus izin identitas](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) di Panduan *AWS Identity and Access Management*Pengguna. [AWS kebijakan terkelola untuk Amazon SageMaker AI](security-iam-awsmanpol.md)yang memberikan izin untuk membuat sumber daya SageMaker AI sudah menyertakan izin untuk membuat daftar gambar sambil membuat sumber daya tersebut. 1. (Opsional) Untuk **Pengaturan Ruang**, tentukan yang berikut ini: + **Penyimpanan (GB)** - Hingga 100 GB atau jumlah yang ditentukan administrator Anda. + Konfigurasi **Siklus Hidup — Konfigurasi** siklus hidup yang ditentukan administrator Anda. + **Lampirkan sistem file EFS kustom** — Amazon EFS tempat administrator Anda menyediakan akses. 1. Pilih **Jalankan ruang**. 1. Pilih **Buka JupyterLab**. # Konfigurasikan spasi Setelah Anda membuat JupyterLab spasi, Anda dapat mengonfigurasinya untuk melakukan hal berikut: + Ubah jenis instance. + Ubah volume penyimpanan. + (Admin mengatur diperlukan) Gunakan gambar kustom. + (Diperlukan pengaturan admin) Gunakan konfigurasi siklus hidup. + (Diperlukan pengaturan admin) Lampirkan Amazon EFS khusus. **penting** Anda harus menghentikan JupyterLab ruang setiap kali Anda mengkonfigurasinya. Gunakan prosedur berikut untuk mengkonfigurasi ruang. **Untuk mengkonfigurasi spasi** 1. Di dalam Studio, navigasikan ke halaman JupyterLab aplikasi. 1. Pilih nama spasi. 1. (Opsional) Untuk **Gambar**, tentukan gambar yang disediakan administrator Anda untuk menyesuaikan lingkungan Anda. **penting** Kebijakan IAM khusus yang memungkinkan pengguna Studio membuat spasi juga harus memberikan izin untuk mencantumkan gambar (`sagemaker: ListImage`) untuk melihat gambar kustom. Untuk menambahkan izin, lihat [Menambahkan atau menghapus izin identitas](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) di Panduan *AWS Identity and Access Management*Pengguna. [AWS kebijakan terkelola untuk Amazon SageMaker AI](security-iam-awsmanpol.md)yang memberikan izin untuk membuat sumber daya SageMaker AI sudah menyertakan izin untuk membuat daftar gambar sambil membuat sumber daya tersebut. 1. (Opsional) Untuk **Pengaturan Ruang**, tentukan yang berikut ini: + **Penyimpanan (GB)** — Hingga 100 GB atau jumlah yang dikonfigurasi administrator Anda untuk ruang tersebut. + Konfigurasi **Siklus Hidup — Konfigurasi** siklus hidup yang disediakan administrator Anda. + **Lampirkan sistem file EFS kustom** — Amazon EFS tempat administrator Anda menyediakan akses. 1. Pilih **Jalankan ruang**. Saat Anda membuka JupyterLab aplikasi, ruang Anda memiliki konfigurasi yang diperbarui. # Sesuaikan lingkungan Anda menggunakan manajer paket Gunakan pip atau conda untuk menyesuaikan lingkungan Anda. Sebaiknya gunakan pengelola paket alih-alih skrip konfigurasi siklus hidup. ## Buat dan aktifkan lingkungan kustom Anda Bagian ini memberikan contoh berbagai cara untuk mengonfigurasi lingkungan JupyterLab. Lingkungan conda dasar memiliki jumlah minimum paket yang diperlukan untuk alur kerja Anda di SageMaker AI. Gunakan template berikut untuk membuat lingkungan conda dasar: ``` # 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 ``` Gambar berikut menunjukkan lokasi lingkungan yang telah Anda buat. ![\[Lingkungan test-env ditampilkan di sudut kanan atas layar.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/juptyer-notebook-environment-location.png) Untuk mengubah lingkungan Anda, pilih dan pilih opsi dari menu tarik-turun. ![\[Tanda centang dan teks yang sesuai menunjukkan contoh lingkungan yang sebelumnya Anda buat.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/jupyter-notebook-select-env.png) Pilih **Pilih** untuk memilih kernel untuk lingkungan. ## Buat lingkungan conda dengan versi Python tertentu Membersihkan lingkungan conda yang tidak Anda gunakan dapat membantu membebaskan ruang disk dan meningkatkan kinerja. Gunakan template berikut untuk membersihkan lingkungan 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 ``` ## Buat lingkungan conda dengan satu set paket tertentu Gunakan template berikut untuk membuat lingkungan conda dengan versi Python dan kumpulan paket tertentu: ``` # 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 ``` ## Kloning conda dari lingkungan yang ada Kloning lingkungan conda Anda untuk mempertahankan status kerjanya. Anda bereksperimen di lingkungan kloning tanpa harus khawatir memperkenalkan perubahan yang melanggar di lingkungan pengujian Anda. Gunakan perintah berikut untuk mengkloning lingkungan. ``` # 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 ``` ## Kloning conda dari file YAMAL referensi Buat lingkungan conda dari file YAMAL referensi. Berikut ini adalah contoh file YAMAL yang dapat Anda gunakan. ``` # 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 ``` Di bawah`pip`, kami sarankan untuk menentukan hanya dependensi yang tidak tersedia dengan conda. Gunakan perintah berikut untuk membuat lingkungan conda dari file YAMB. ``` # create your conda environment conda env create -f environment.yml # activate your env conda activate py311-new-env ``` # Bersihkan lingkungan conda Membersihkan lingkungan conda yang tidak Anda gunakan dapat membantu membebaskan ruang disk dan meningkatkan kinerja. Gunakan template berikut untuk membersihkan lingkungan 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 ``` # Bagikan lingkungan conda antar tipe instance Anda dapat berbagi lingkungan conda dengan menyimpannya ke direktori Amazon EFS di luar volume Amazon EBS Anda. Pengguna lain dapat mengakses lingkungan di direktori tempat Anda menyimpannya. **penting** Ada batasan dengan berbagi lingkungan Anda. Misalnya, kami tidak merekomendasikan lingkungan yang dimaksudkan untuk berjalan pada instans GPU Amazon EC2 melalui lingkungan yang berjalan pada instance CPU. Gunakan perintah berikut sebagai templat untuk menentukan direktori target tempat Anda membuat lingkungan khusus. Anda membuat conda dalam jalur tertentu. Anda membuatnya di dalam direktori Amazon EFS. Anda dapat memutar instance baru dan melakukan conda activate path dan melakukannya di 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 ``` # Gunakan Amazon Q untuk Mempercepat Alur Kerja Machine Learning Amazon Q Developer adalah pendamping bertenaga AI Anda untuk pengembangan pembelajaran mesin. Dengan Amazon Q Developer, Anda dapat: + Dapatkan step-by-step panduan tentang penggunaan fitur SageMaker AI secara mandiri atau dalam kombinasi dengan AWS layanan lain. + Dapatkan kode sampel untuk memulai tugas ML Anda seperti persiapan data, pelatihan, inferensi, dan MLOps. + Terima bantuan pemecahan masalah untuk men-debug dan menyelesaikan kesalahan yang dihadapi saat menjalankan kode. Pengembang Amazon Q terintegrasi dengan mulus ke lingkungan Anda JupyterLab . Untuk menggunakan Amazon Q Developer, pilih **Q** dari navigasi sebelah kiri JupyterLab lingkungan Anda atau lingkungan Editor Kode. Jika Anda tidak melihat ikon **Q**, administrator Anda perlu mengaturnya untuk Anda. Untuk informasi selengkapnya tentang menyiapkan Pengembang Amazon Q, lihat[Menyiapkan Amazon Q Developer untuk pengguna Anda](studio-updated-amazon-q-admin-guide-set-up.md). Amazon Q secara otomatis memberikan saran untuk membantu Anda menulis kode Anda. Anda juga dapat meminta saran melalui antarmuka obrolan.