As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Visão geral dos componentes do Amazon SageMaker Studio Lab
O Amazon SageMaker Studio Lab consiste nos seguintes componentes. Os tópicos a seguir apresentam mais detalhes sobre esses componentes.
**Topics**
+ [Página de destino](#studio-lab-overview-landing)
+ [Conta do Studio Lab](#studio-lab-overview-account)
+ [Página de visão geral do projeto](#studio-lab-overview-project-overview)
+ [Página de pré-visualização](#studio-lab-overview-preview)
+ [Projeto](#studio-lab-overview-project)
+ [Tipo de instância de computação](#studio-lab-overview-project-compute)
+ [Tempo de execução do projeto](#studio-lab-overview-runtime)
+ [Sessão](#studio-lab-overview-session)
## Página de destino
Você pode solicitar uma conta e fazer login em uma conta existente na sua página de destino. Para navegar até a página inicial, consulte o [site do Amazon SageMaker Studio Lab](https://studiolab.sagemaker.aws/). Para obter mais informações sobre como criar uma conta Studio Lab, consulte [Faça parte do Amazon SageMaker Studio Lab](studio-lab-onboard.md).
A captura de tela a seguir mostra a interface da página de destino do Studio Lab para solicitar uma conta de usuário e fazer login.
## Conta do Studio Lab
Sua conta do Studio Lab dá acesso ao Studio Lab. Para mais informações sobre como criar uma conta de usuário, consulte [Faça parte do Amazon SageMaker Studio Lab](studio-lab-onboard.md).
## Página de visão geral do projeto
Você pode executar uma instância de computação e exibir informações sobre seu projeto nesta página. Para navegar até essa página, você deve fazer login no [site do Amazon SageMaker Studio Lab](https://studiolab.sagemaker.aws/). A URL assumirá o seguinte formato:
```
https://studiolab.sagemaker.aws/users/{{}}
```
A captura de tela a seguir mostra uma visão geral do projeto na interface de usuário do Studio Lab.
## Página de pré-visualização
Nesta página, você pode acessar uma pré-visualização somente leitura de um caderno Jupyter. Você não pode executar o caderno a partir da pré-visualização, mas você pode copiar esse caderno para o seu projeto. Para muitos clientes, essa pode ser a primeira página do Studio Lab que os clientes veem, pois eles podem estar abrindo um caderno a partir do GitHub notebook. Para obter mais informações sobre como usar GitHub os recursos, consulte[Use GitHub recursos](studio-lab-use-external.md#studio-lab-use-external-clone-github).
Para copiar a pré-visualização do caderno para seu projeto do Studio Lab:
1. Faça login na sua conta do Studio Lab. Para obter mais informações sobre como criar uma conta Studio Lab, consulte [Faça parte do Amazon SageMaker Studio Lab](studio-lab-onboard.md).
1. Na **Instância de computação de Cadernos**, escolha um tipo de instância de computação. Para obter mais informações sobre os tipos de instâncias de computação, consulte [Tipo de instância de computação](#studio-lab-overview-project-compute).
1. Escolha **Iniciar runtime**. Você pode ser solicitado a resolver um quebra-cabeça de CAPTCHA. Para obter mais informações sobre CAPTCHA, consulte [O que é um quebra-cabeça CAPTCHA](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)?
1. Configuração única, para iniciar pela primeira vez o runtime usando sua conta do Studio Lab:
1. Insira um número de celular para associar à sua conta do Amazon SageMaker Studio Lab e escolha **Continuar**.
Para obter informações sobre países e regiões com suporte, consulte [Países e regiões compatíveis (canal de SMS)](https://docs.aws.amazon.com/pinpoint/latest/userguide/channels-sms-countries.html).
1. Insira o código de 6 dígitos enviado para o número de telefone celular associado e escolha **Verificar.**
1. Escolha **Copiar para o projeto**.
## Projeto
Seu projeto contém todos os seus arquivos e pastas, incluindo seus blocos de anotação Jupyter. Você tem controle total sobre os arquivos do seu projeto. Seu projeto também inclui a interface JupyterLab-based do usuário. A partir dessa interface, você pode interagir com seus notebooks Jupyter, editar seus arquivos de código-fonte, integrar-se e conectar-se ao Amazon S3. GitHub Para obter mais informações, consulte [Use o tempo de execução do projeto Amazon SageMaker Studio Lab](studio-lab-use.md).
A captura de tela a seguir mostra o projeto Studio Lab com o navegador de arquivos aberto e o inicializador do Studio Lab exibido.
## Tipo de instância de computação
O tempo de execução do projeto do Amazon SageMaker Studio Lab é baseado em uma instância EC2. Você tem 15 GB de armazenamento e 16 GB de RAM. A disponibilidade das instâncias de computação não é garantida e está sujeita à demanda. Se você precisar de armazenamento adicional ou de recursos de computação, considere mudar para o Studio.
O Amazon SageMaker Studio Lab oferece a opção de uma CPU (Unidade Central de Processamento) e uma GPU (Unidade de Processamento Gráfico). As seções a seguir fornecem informações sobre essas duas opções, incluindo orientação de seleção.
**CPU**
Uma unidade central de processamento (CPU) foi projetada para processar um grande intervalo de tarefas de forma eficiente, mas é limitada na quantidade de tarefas que pode executar simultaneamente. Para machine learning, uma CPU é recomendada para algoritmos de computação intensiva, como séries temporais, previsões e dados tabulares.
O tipo de computação da CPU tem até 4 horas por vez, com um limite de 8 horas em um período de 24 horas.
**GPU**
Uma unidade de processamento gráfico (GPU) foi projetada para renderizar imagens e vídeos de alta resolução simultaneamente. Uma GPU é recomendada para tarefas de aprendizado profundo, especialmente para transformadores e visão computacional.
O tipo de computação da GPU tem até 4 horas por vez, com um limite de 4 horas em um período de 24 horas.
**Tempo de computação**
Quando o tempo de computação do Studio Lab atinge seu limite de tempo, a instância interrompe todos os cálculos em execução. O Studio Lab não é compatível com aumentos de limite de tempo.
O Studio Lab salva automaticamente seu ambiente quando você atualiza seu ambiente e sempre que cria um novo arquivo. Custom-installed extensões e pacotes persistem mesmo após o término do tempo de execução.
As edições dos arquivos são salvas periodicamente, mas não são salvas quando o runtime termina. Para garantir que você não perca seu andamento, salve seu trabalho manualmente. Se você tem conteúdo em seu projeto do Studio Lab que não quer perder, recomendamos que faça backup do seu conteúdo em outro lugar. Para obter mais informações sobre como exportar seu ambiente e seus arquivos, consulte [Exportar um ambiente do Amazon SageMaker Studio Lab para o Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
Durante a computação longa, você não precisa manter seu projeto aberto. Por exemplo, você pode começar o treinamento de um modelo e fechar seu navegador. A instância continua em execução até o limite do tipo de computação em um período de 24 horas. Em seguida, você pode fazer login mais tarde para continuar seu trabalho.
Recomendamos que você use o ponto de verificação em seus trabalhos de aprendizado profundo. Você pode usar pontos de verificação salvos para reiniciar um trabalho a partir do ponto de verificação salvo anteriormente. Para obter mais informações, consulte [Arquivo I/O](https://d2l.ai/chapter_deep-learning-computation/read-write.html?highlight=checkpointing).
## Tempo de execução do projeto
O runtime do projeto é o período em que sua instância de computação está em execução.
## Sessão
Uma sessão de usuário começa toda vez que você inicia seu projeto.