翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# (オプション) カスタムイメージとライフサイクル設定の移行
カスタムなイメージとライフサイクル設定 (LCC) スクリプトを作成している場合、Amazon SageMaker Studio のシンプルなローカル実行モデルで使用するために、それらを更新する必要があります。カスタムなイメージまたはライフサイクル設定をドメインに作成していない場合は、以降の説明をスキップしてください。
Amazon SageMaker Studio Classic は、以下の分割された環境で動作します。
+ Jupyter Server を実行する `JupyterServer` アプリケーション。
+ 1 つまたは複数の `KernelGateway` アプリケーションで実行される Studio Classic ノートブック。
Studio は分割環境から移行しました。Studio は JupyterLab と Code-OSS (Visual Studio Code - Open Source) に基づく Code Editor をローカルランタイムモデルで実行します。このアーキテクチャの変更について詳しくは、[「Boost productivity on Amazon SageMaker Studio」](https://aws.amazon.com/blogs//machine-learning/boost-productivity-on-amazon-sagemaker-studio-introducing-jupyterlab-spaces-and-generative-ai-tools/)を参照してください。
## カスタムイメージの移行
既存の Studio Classic カスタムイメージが Studio で機能しない場合があります。Studio での要件を満たす新しいカスタムイメージを作成することをお勧めします。Studio のリリースにより、[SageMaker Studio のイメージサポートポリシー](sagemaker-distribution.md) が提供され、カスタムイメージ構築のプロセスが簡素化されています。SageMaker AI Distribution イメージには、機械学習、データサイエンス、データ分析の視覚化のための一般的なライブラリとパッケージが含まれています。SageMaker Distribution のベースイメージのリスト、および Amazon Elastic Container Registry のアカウント情報については、「[Studio Classic ノートブックで使用できる Amazon SageMaker イメージ](notebooks-available-images.md)」を参照してください。
カスタムイメージを構築するには、次のいずれかを行います。
+ カスタムなパッケージとモジュールを使用して SageMaker Distribution イメージを拡張します。これらのイメージは、JupyterLab と Code-OSS (Visual Studio Code - Open Source) に基づく Code Editor で事前設定されています。
+ 「[Bring your own image (BYOI)](studio-updated-byoi.md)」の手順に従って、カスタムな Dockerfile ファイルを作成します。Studio と互換性を維持するために、JupyterLab と オープンソースの CodeServer をイメージにインストールする必要があります。
## ライフサイクル設定の移行
Studio でローカルランタイムモデルがシンプルになったため、既存の Studio Classic LCC の構造を移行することをお勧めしています。Studio Classic では多くの場合に、KernelGateway と JupyterServer アプリケーションでライフサイクル設定を別々に作成する必要があります。Studio Classicで JupyterServer と KernelGateway のアプリケーションが別々のコンピューティングリソースで実行されるため、Studio Classic LCC は次のいずれかのタイプになります。
+ JupyterServer LCC: これらの LCC は主に、プロキシの設定、環境変数の作成、リソースの自動シャットダウンなど、ユーザーのホームアクションを管理します。
+ KernelGateway LCC: これらの LCC は、Studio Classic ノートブック環境の最適化を管理します。これには `Data Science 3.0` カーネルの numpy パッケージのバージョン更新や、`Pytorch 2.0 GPU` カーネルの snowflake パッケージのインストールなどが含まれます。
Studio のシンプルなアーキテクチャでは、1 つの LCC スクリプトを実行するだけでアプリケーションを起動できます。LCC スクリプトの移行方法は開発環境によって異なりますが、JupyterServer と KernelGateway の LCC を組み合わせて LCC を作成することをお勧めします。
Studio の LCC は、次のいずれかのアプリケーションに関連付けることができます。
+ JupyterLab
+ コードエディタ
ユーザーは、スペースの作成時にアプリケーションのタイプに合わせて LCC を選択するか、管理者が設定したデフォルトの LCC を使用します。
**注記**
Studio Classic の自動シャットダウンスクリプトは Studio では機能しません。Studio の自動シャットダウンスクリプトの例については、「[SageMaker Studio Lifecycle Configuration examples](https://github.com/aws-samples/sagemaker-studio-apps-lifecycle-config-examples)」を参照してください。
### LCC のリファクタリング時の考慮事項
LCC をリファクタリングする際に、Studio Classic と Studio の以下の違いを考慮してください。
+ JupyterLab とコードエディタのアプリケーションは、`UID:1001` および `GID:101` の `sagemaker-user` として実行されます。デフォルトで、`sagemaker-user` には sudo/root のアクセス許可が付与されます。KernelGateway アプリケーションはデフォルトで `root` として実行されます。
+ JupyterLab およびコードエディタのアプリで実行される SageMaker Distribution イメージは、Debian ベースのパッケージマネージャーである `apt-get` を使用します。
+ Studio JupyterLab およびコードエディタアプリケーションは、Conda パッケージマネージャーを使用します。Studio アプリケーションを起動すると、SageMaker AI によってベース Python3 Conda 環境が 1 つ作成されます。ベース Conda 環境でのパッケージの更新と新しい Conda 環境の作成については、「[JupyterLab ユーザーガイド](studio-updated-jl-user-guide.md)」を参照してください。一方で、すべての KernelGateway アプリケーションが Conda をパッケージマネージャーとして使用するわけではありません。
+ Studio JupyterLab アプリケーションは `JupyterLab 4.0` を使用し、Studio Classic は `JupyterLab 3.0` を使用します。使用するすべての JupyterLab 拡張機能に `JupyterLab 4.0` と互換性があることを確認します。拡張機能の詳細については、「[Extension Compatibility with JupyterLab 4.0](https://github.com/jupyterlab/jupyterlab/issues/14590)」を参照してください。