Amazon SageMaker Studio یک محیط توسعه کاملاً یکپارچه (IDE) برای یادگیری ماشین (ML) است که تا حدی بر اساس آن است JupyterLab 3. Studio یک رابط مبتنی بر وب برای انجام تعاملی وظایف توسعه ML مورد نیاز برای تهیه داده ها و ساخت، آموزش و استقرار مدل های ML ارائه می دهد. در استودیو، میتوانید دادهها را بارگیری کنید، مدلهای ML را تنظیم کنید، بین مراحل برای تنظیم آزمایشها حرکت کنید، نتایج را مقایسه کنید، و مدلهای ML را برای استنتاج به کار ببرید.
La کیت توسعه ابری AWS (AWS CDK) یک چارچوب توسعه نرم افزار منبع باز برای ایجاد است AWS CloudFormation پشته از طریق خودکار قالب CloudFormation نسل. پشته مجموعه ای از منابع AWS است که می تواند به صورت برنامه نویسی به روز شود، جابجا شود یا حذف شود. AWS CDK می سازد بلوکهای سازنده برنامههای AWS CDK هستند که نشاندهنده طرحی برای تعریف معماریهای ابری هستند.
راه اندازی استودیو با AWS CDK به یک فرآیند ساده تبدیل شده است. CDK AWS به شما امکان می دهد از ساختارهای بومی برای تعریف و استقرار Studio با استفاده از زیرساخت به عنوان کد (IaC) استفاده کنید، از جمله هویت AWS و مدیریت دسترسی مجوزها (AWS IAM) و تنظیمات منابع ابری مورد نظر، همه در یک مکان. این رویکرد توسعه را میتوان در ترکیب با سایر بهترین روشهای رایج مهندسی نرمافزار مانند استقرار خودکار کد، آزمایشها و خطوط لوله CI / CD. AWS CDK زمان مورد نیاز برای انجام وظایف معمولی استقرار زیرساخت را کاهش می دهد در حالی که از طریق اتوماسیون سطح را برای خطاهای انسانی کوچک می کند.
این پست شما را از طریق مراحل شروع راهاندازی و استقرار Studio برای استانداردسازی توسعه مدل ML و همکاری با مهندسان ML و دانشمندان ML راهنمایی میکند. تمامی نمونه های پست به زبان برنامه نویسی پایتون نوشته شده اند. با این حال، AWS CDK پشتیبانی داخلی برای چندگانه ارائه می دهد سایر زبان های برنامه نویسی مانند جاوا اسکریپت، جاوا و سی شارپ.
پیش نیازها
برای شروع، پیش نیازهای زیر اعمال می شود:
مخزن GitHub را کلون کنید
اول ، اجازه دهید کلون کردن la مخزن GitHub.
هنگامی که مخزن با موفقیت کشیده شد، می توانید دایرکتوری cdk حاوی منابع زیر را بررسی کنید:
- cdk – حاوی منابع اصلی cdk است
- app.py – جایی که پشته AWS CDK تعریف شده است
- cdk.json - حاوی فراداده و پرچم های ویژگی است
اسکریپت های AWS CDK
دو فایل اصلی که میخواهیم به آنها نگاه کنیم cdk
زیر شاخه هستند sagemaker_studio_construct.py
و sagemaker_studio_stack.py
. بیایید هر فایل را با جزئیات بیشتری بررسی کنیم.
فایل ساخت استودیو
ساختار Studio در تعریف شده است sagemaker_studio_construct.py
فایل.
ساختار Studio در ابر خصوصی مجازی (VPC)، کاربران فهرست شده، منطقه AWS و نوع نمونه پیش فرض زیربنایی به عنوان پارامتر. این ساختار AWS CDK عملکردهای زیر را انجام می دهد:
- دامنه استودیو را ایجاد می کند (
SageMakerStudioDomain
) - نقش IAM را تنظیم می کند
sagemaker_studio_execution_role
باAmazonSageMakerFullAccess
مجوزهای مورد نیاز برای ایجاد منابع مجوزها باید بیشتر محدود شوند تا از اصل کمترین امتیاز برای بهبود امنیت پیروی کنند. - تنظیمات برنامه سرور Jupyter را تنظیم می کند - وارد می شود
JUPYTER_SERVER_APP_IMAGE_NAME
، تصویر محفظه jupyter-server-3 را برای استفاده تعریف می کند. - تنظیمات برنامه دروازه هسته را تنظیم می کند - وارد می شود
KERNEL_GATEWAY_APP_IMAGE_NAME
، تعریف تصویر محفظه datascience-2.0 برای استفاده. - برای هر کاربر فهرست شده یک نمایه کاربری ایجاد می کند
قطعه کد زیر منابع AWS CloudFormation دامنه Studio مربوطه را که در AWS CDK تعریف شده است نشان می دهد:
قطعه کد زیر نمایه های کاربر ایجاد شده از منابع AWS CloudFormation را نشان می دهد:
فایل پشته استودیو
بعد از اینکه ساختار تعریف شد، میتوانید با ایجاد یک نمونه از کلاس و ارسال آرگومانهای مورد نیاز در داخل پشته، آن را اضافه کنید. پشته منابع AWS CloudFormation را به عنوان بخشی از یک استقرار منسجم ایجاد می کند. این بدان معنی است که اگر حداقل یک منبع ابری ایجاد نشود، پشته CloudFormation تغییرات انجام شده را به عقب برمی گرداند. قطعه کد زیر از ساختار Studio در داخل پشته Studio قرار می گیرد:
پشته AWS CDK را مستقر کنید
برای استقرار پشته AWS CDK خود، دستورات زیر را از دایرکتوری ریشه پروژه در پنجره ترمینال خود اجرا کنید:
aws configure
pip3 install -r requirements.txt
cdk bootstrap --app "python3 -m cdk.app"
cdk deploy --app "python3 -m cdk.app"
منابعی را که AWS CDK در حساب AWS خود ایجاد میکند مرور کنید و وقتی از شما خواسته شد که پشته را استقرار دهید، بله را انتخاب کنید. منتظر بمانید تا استقرار پشته شما به پایان برسد. این معمولا کمتر از 5 دقیقه طول می کشد. با این حال، افزودن منابع بیشتر زمان استقرار را طولانی تر می کند. همچنین می توانید وضعیت استقرار را بر روی آن بررسی کنید کنسول AWS CloudFormation.
هنگامی که پشته با موفقیت مستقر شد، اطلاعات آن را با رفتن به کنترل پنل استودیو بررسی کنید. شما باید پروفایل کاربری SageMaker Studio را که ایجاد کرده اید ببینید.
اگر پشته را مجدداً مستقر کنید، تغییرات را بررسی میکند و فقط بهروزرسانیهای منابع ابری لازم را انجام میدهد. به عنوان مثال، از این می توان برای افزودن کاربران یا تغییر مجوزها استفاده کرد آن کاربران بدون نیاز به بازسازی همه منابع ابری تعریف شده.
پاک کردن
برای حذف یک پشته، مراحل زیر را انجام دهید:
- در کنسول AWS CloudFormation، را انتخاب کنید پشته در صفحه ناوبری
- پشته ای را که می خواهید حذف کنید باز کنید.
- در قسمت جزئیات پشته، را انتخاب کنید حذف.
- را انتخاب کنید پشته را حذف کنید زمانی که مطرح شد
AWS CloudFormation منابع ایجاد شده در زمان استقرار پشته را حذف می کند. این ممکن است بسته به مقدار منابع ایجاد شده کمی طول بکشد.
اگر در طی این مراحل پاکسازی با مشکلی مواجه شدید، ممکن است لازم باشد دامنه Studio را به صورت دستی حذف کنید ابتدا قبل از تکرار مراحل این بخش.
نتیجه
در این پست، نحوه استفاده از منابع IaC مبتنی بر ابر AWS برای ساختن یک قالب به راحتی قابل استفاده مجدد برای استقرار استودیو را نشان دادیم. SageMaker Studio یک IDE کاملاً یکپارچه مبتنی بر وب است که یک رابط بصری برای کارهای توسعه ML بر اساس JupyterLab3 فراهم می کند. با پشتههای AWS CDK، ما توانستیم ساختارهایی را برای ساخت اجزای ابری تعریف کنیم که میتوان آنها را با ایجاد تغییرات در پشته CloudFormation به راحتی اصلاح، ویرایش یا حذف کرد.
برای اطلاعات بیشتر در مورد استودیو آمازون، رجوع کنید Amazon SageMaker Studio.
درباره نویسنده
کوری هیرستون مهندس نرم افزار در آزمایشگاه راه حل های آمازون ML است. او مشتاق یادگیری فن آوری های جدید و استفاده از آن اطلاعات برای ساخت راه حل های نرم افزاری قابل استفاده مجدد است. او یک قدرت بردار مشتاق است و اوقات فراغت خود را صرف ساخت هنر دیجیتال می کند.
مارسلو آبرله یک مهندس ML در سازمان AWS AI است. او تلاش های MLOps را در آزمایشگاه راه حل های آمازون ML رهبری می کند و به مشتریان کمک می کند تا سیستم های ML مقیاس پذیر را طراحی و پیاده سازی کنند. ماموریت او هدایت مشتریان در سفر ML سازمانی و تسریع در مسیر ML آنها به سمت تولید است.
یاش شاه مدیر علوم در آزمایشگاه راه حل های آمازون ام ال. او و تیمش از دانشمندان کاربردی و مهندسان یادگیری ماشین روی طیف وسیعی از موارد استفاده از یادگیری ماشین از مراقبتهای بهداشتی، ورزش، خودرو و تولید کار میکنند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/set-up-amazon-sagemaker-studio-with-jupyter-lab-3-using-the-aws-cdk/
- 1
- 100
- a
- قادر
- درباره ما
- شتاب دادن
- دسترسی
- حساب
- AI
- معرفی
- اجازه می دهد تا
- آمازون
- آزمایشگاه راه حل های آمازون ام ال
- آمازون SageMaker
- Amazon SageMaker Studio
- مقدار
- و
- نرم افزار
- برنامه های کاربردی
- اعمال می شود
- درخواست
- روش
- اتشی مزاج
- محدوده
- استدلال
- هنر
- خودکار
- اتوماسیون
- خودرو
- AWS
- AWS CloudFormation
- به عقب
- مستقر
- شدن
- قبل از
- بهترین
- بهترین شیوه
- میان
- بلاک ها
- خود راه انداز
- ساختن
- بنا
- ساخته شده در
- موارد
- تغییر دادن
- تبادل
- بررسی
- را انتخاب کنید
- ابر
- رمز
- منسجم
- همکاری
- مجموعه
- ترکیب
- مشترک
- مقايسه كردن
- کامل
- اجزاء
- کنسول
- ساختن
- ظرف
- شامل
- کنترل
- تابلوی کنترل
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- ایجاد
- مشتریان
- داده ها
- به طور پیش فرض
- تعریف کردن
- بستگی دارد
- گسترش
- مستقر
- استقرار
- گسترش
- اعزام ها
- طرح
- جزئیات
- جزئیات
- پروژه
- دیجیتال
- هنر دیجیتال
- غیر فعال
- دامنه
- پایین
- هر
- به آسانی
- تلاش
- رویارویی
- مهندس
- مهندسی
- مورد تأیید
- سرمایه گذاری
- محیط
- خطا
- اتر (ETH)
- مثال
- مثال ها
- نتواند
- ویژگی
- همکار
- پرونده
- فایل ها
- نام خانوادگی
- به دنبال
- پیروی
- چارچوب
- رایگان
- از جانب
- کاملا
- توابع
- بیشتر
- دروازه
- نسل
- دریافت کنید
- GitHub
- رفتن
- راهنمایی
- راهنما
- داشتن
- بهداشت و درمان
- کمک
- چگونه
- چگونه
- اما
- HTML
- HTTPS
- انسان
- IAC
- IAM
- هویت
- تصویر
- انجام
- بهبود یافته
- in
- اطلاعات
- شالوده
- نصب
- نمونه
- یکپارچه
- رابط
- مسائل
- IT
- جاوه
- جاوا اسکریپت
- سفر
- json
- آزمایشگاه
- زبان
- برجسته
- یادگیری
- بهره برداری
- ذکر شده
- بار
- نگاه کنيد
- دستگاه
- فراگیری ماشین
- اصلی
- ساخت
- مدیر
- تولید
- به معنی
- متاداده
- دقیقه
- ماموریت
- ML
- MLO ها
- مدل
- مدل
- اصلاح شده
- بیش
- حرکت
- چندگانه
- بومی
- جهت یابی
- لازم
- نیاز
- جدید
- فناوری های نوین
- پیشنهادات
- ONE
- منبع باز
- نرم افزار منبع باز
- کدام سازمان ها
- دیگر
- قطعه
- تابلو
- پارامترهای
- بخش
- عبور
- مسیر
- انجام دادن
- انجام
- مجوز
- محل
- افلاطون
- هوش داده افلاطون
- PlatoData
- پست
- شیوه های
- آماده
- پیش نیازها
- اصل
- خصوصی
- روند
- تولید
- مشخصات
- پروفایل
- برنامه نويسي
- پروژه ها
- فراهم می کند
- پــایتــون
- محدوده
- را کاهش می دهد
- منطقه
- مربوط
- مخزن
- نمایندگی
- ضروری
- مورد نیاز
- منابع
- منابع
- نتایج
- قابل استفاده مجدد
- نقش
- رول
- ریشه
- دویدن
- حکیم ساز
- مقیاس پذیر
- علم
- دانشمندان
- حوزه
- بخش
- تیم امنیت لاتاری
- خود
- خدمت
- تنظیم
- محیط
- تنظیمات
- باید
- نشان می دهد
- نرم افزار
- توسعه نرم افزار
- مهندس نرمافزار
- مهندسی نرم افزار
- مزایا
- برخی از
- ورزش ها
- پشته
- پشته
- آغاز شده
- وضعیت
- مراحل
- ساده
- استودیو
- موفقیت
- چنین
- پشتیبانی
- سطح
- سیستم
- سیستم های
- گرفتن
- طول می کشد
- وظایف
- تیم
- فن آوری
- قالب
- پایانه
- تست
- La
- شان
- از طریق
- زمان
- به
- قطار
- نوعی
- به طور معمول
- اساسی
- به روز شده
- به روز رسانی
- استفاده کنید
- کاربر
- کاربران
- مجازی
- صبر کنيد
- مبتنی بر وب
- در حین
- اراده
- در داخل
- بدون
- مهاجرت کاری
- کتبی
- شما
- زفیرنت