Amazon SageMaker Studio و SageMaker Notebook Instance اکنون با نوت بوک JupyterLab 3 برای افزایش بهره وری توسعه دهندگان عرضه می شوند.

آمازون SageMaker دارای دو گزینه برای چرخاندن نوت بوک های کاملاً مدیریت شده برای کاوش داده ها و ساخت مدل های یادگیری ماشینی (ML). اولین گزینه شروع سریع است، نوت‌بوک‌های مشترک در دسترس هستند Amazon SageMaker Studio - یک محیط توسعه کاملا یکپارچه (IDE) برای یادگیری ماشین. می‌توانید به‌سرعت نوت‌بوک‌ها را در استودیو راه‌اندازی کنید، به راحتی منابع محاسباتی زیربنایی را بدون وقفه در کارتان شماره‌گیری یا پایین بیاورید، و حتی نوت‌بوک خود را به‌عنوان یک پیوند با چند کلیک ساده به اشتراک بگذارید. علاوه بر ایجاد نوت‌بوک، می‌توانید تمام مراحل توسعه ML را برای ساخت، آموزش، اشکال‌زدایی، ردیابی، استقرار و نظارت بر مدل‌های خود در یک صفحه شیشه‌ای در استودیو انجام دهید. گزینه دوم این است نمونه نوت بوک آمازون SageMaker – یک نمونه محاسباتی کاملاً مدیریت شده ML که نوت‌بوک‌ها را در فضای ابری اجرا می‌کند و به مشتریان امکان کنترل بیشتر روی تنظیمات نوت‌بوکشان را می‌دهد.

امروز، ما با هیجان اعلام می کنیم که SageMaker Studio و SageMaker Notebook Instance اکنون با نوت بوک های JupyterLab 3 عرضه می شوند. نوت‌بوک‌های جدید به دانشمندان داده و توسعه‌دهندگان یک IDE مدرن کامل با ابزارهای بهره‌وری توسعه‌دهنده برای نوشتن کد، بازآفرینی و اشکال‌زدایی و پشتیبانی از آخرین برنامه‌های افزودنی منبع باز Jupyter ارائه می‌کنند. AWS مشارکت کننده اصلی در جامعه منبع باز Jupyter است و ما خوشحالیم که جدیدترین قابلیت های Jupyter را برای مشتریان خود به ارمغان می آوریم.

در این پست، برخی از موارد هیجان انگیز را به نمایش می گذاریم ویژگی های جدید در نوت بوک های SageMaker تعبیه شده است و توجه را به برخی از برنامه‌های افزودنی منبع باز مورد علاقه ما جلب کنید که تجربه توسعه‌دهنده را هنگام استفاده از SageMaker برای ساخت، آموزش و استقرار مدل‌های ML خود بهبود می‌بخشند.

نوت‌بوک‌ها در SageMaker چه جدید هستند

نوت بوک های جدید دارای چندین ویژگی هستند که تجربه توسعه دهنده SageMaker را بهبود می بخشد، از جمله موارد زیر:

• یک دیباگر یکپارچه با پشتیبانی از نقاط شکست و بازرسی متغیر
• پانل فهرست مطالب برای پیمایش آسانتر در نوت بوک ها
• نوار فیلتر برای مرورگر فایل
• پشتیبانی از چندین زبان نمایش
• امکان نصب افزونه ها از طریق pip، Conda و Mamba

با دیباگر یکپارچه، می توانید متغیرها را بررسی کنید و در حالی که به صورت تعاملی علم داده و کد ML خود را می سازید، از نقاط شکست عبور کنید. شما می توانید به سادگی با انتخاب نماد دیباگر در نوار ابزار نوت بوک به دیباگر دسترسی پیدا کنید.

از زمان نوشتن این مقاله، دیباگر برای تازه راه اندازی ما در دسترس است Base Python 2.0 و Data Science 2.0 تصاویر در SageMaker Studio و amazonei_pytorch_latest_p37, pytorch_p38و tensorflow2_p38 هسته ها در SageMaker Notebook Instance، با برنامه هایی برای پشتیبانی بیشتر در آینده نزدیک.

پانل فهرست محتویات یک ابزار عالی برای پیمایش نوت بوک ها و به اشتراک گذاری آسانتر یافته های خود با همکاران ارائه می دهد.

پسوندهای JupyterLab

با نوت‌بوک‌های ارتقا یافته در SageMaker، می‌توانید از مزایای جامعه رو به رشد افزونه‌های منبع باز JupyterLab استفاده کنید. در این بخش، چند مورد را که به طور طبیعی با گردش کار توسعه‌دهنده SageMaker مطابقت دارند را برجسته می‌کنیم، اما شما را تشویق می‌کنیم که افزونه های موجود را مرور کنید و یا حتی مال خودت را بساز.

اولین پسوندی که برجسته می کنیم، این است پسوند پروتکل سرور زبان. این افزونه منبع باز عملکردهای مدرن IDE مانند تکمیل برگه، برجسته سازی نحو، پرش به مرجع، تغییر نام متغیرها در نوت بوک ها و ماژول ها، تشخیص و بسیاری موارد دیگر را امکان پذیر می کند. این افزونه برای آن دسته از توسعه دهندگانی که می خواهند ماژول های پایتون و همچنین نوت بوک ها را بنویسند بسیار مفید است.

یکی دیگر از برنامه‌های افزودنی مفید برای گردش کار توسعه‌دهنده SageMaker، این است jupyterlab-s3-browser. این برنامه افزودنی اعتبار نقش اجرای SageMaker شما را دریافت می کند و به شما امکان می دهد فایل ها را مستقیماً در آن مرور، بارگیری و بنویسید سرویس ذخیره سازی ساده آمازون (Amazon S3).

افزونه ها را نصب کنید

JupyterLab 3 اکنون این را می سازد فرآیند بسته بندی و نصب افزونه ها به طور قابل توجهی راحت تر می توانید افزونه های فوق الذکر را از طریق اسکریپت های bash نصب کنید. به عنوان مثال، در SageMaker Studio، ترمینال سیستم را از راه‌انداز Studio باز کنید و دستورات زیر را اجرا کنید. توجه داشته باشید که استودیوی ارتقا یافته دارای یک محیط Conda مجزا و ایزوله برای مدیریت زمان اجرا سرور Jupyter است، بنابراین باید برنامه های افزودنی را در studio محیط کوندا. برای نصب برنامه های افزودنی در SageMaker Notebook Instance، نیازی به تغییر محیط های Conda نیست.

علاوه بر این، می توانید با استفاده از این افزونه ها نصب خودکار را انجام دهید تنظیمات چرخه حیات بنابراین آنها بین راه اندازی مجدد استودیو ادامه دارند. شما می توانید این را برای همه کاربران در دامنه یا در سطح کاربر فردی پیکربندی کنید.

برای سرور زبان پایتون، از کد زیر برای نصب پسوندها استفاده کنید:

conda init
conda activate studio
pip install jupyterlab-lsp
pip install 'python-lsp-server[all]'
conda deactivate
nohup supervisorctl -c /etc/supervisor/conf.d/supervisord.conf restart jupyterlabserver

برای مرورگر فایل آمازون S3 از موارد زیر استفاده کنید:

conda init
conda activate studio
pip install jupyterlab_s3_browser
jupyter serverextension enable --py jupyterlab_s3_browser
conda deactivate
nohup supervisorctl -c /etc/supervisor/conf.d/supervisord.conf restart jupyterlabserver

پس از نصب حتما مرورگر خود را رفرش کنید.

برای کسب اطلاعات بیشتر در مورد نوشتن اسکریپت های چرخه حیات مشابه برای نمونه نوت بوک SageMaker، مراجعه کنید سفارشی کردن یک نمونه نوت بوک با استفاده از یک اسکریپت پیکربندی چرخه حیات و نمونه های نوت بوک Amazon SageMaker خود را با تنظیمات چرخه حیات و گزینه غیرفعال کردن دسترسی به اینترنت سفارشی کنید. علاوه بر این، برای اطلاعات بیشتر در مورد مدیریت برنامه‌های افزودنی، از جمله نحوه نوشتن پیکربندی‌های چرخه حیات که برای هر دو نسخه 1 و 3 نوت‌بوک‌های JupyterLab برای سازگاری به عقب کار می‌کنند، رجوع کنید به نصب پسوندهای JupyterLab و Jupyter Server.

با نوت بوک های JupyterLab 3 در استودیو شروع کنید

اگر در حال ایجاد یک دامنه جدید استودیو هستید، می توانید نسخه پیش فرض نوت بوک را مستقیماً از آن مشخص کنید کنسول مدیریت AWS یا با استفاده از API.

در کنترل پنل SageMaker، هنگام ویرایش تنظیمات دامنه خود، نسخه نوت بوک خود را تغییر دهید نسخه آزمایشگاه ژوپیتر بخش.

برای استفاده از API، پیکربندی کنید JupyterServerAppSettings پارامتر به شرح زیر است:

aws --region <REGION> sagemaker create-domain --domain-name <NEW_DOMAIN_NAME> --auth-mode <AUTHENTICATION_MODE> --subnet-ids <SUBNET-IDS> --vpc-id <VPC-ID> --default-user-settings ‘{ “JupyterServerAppSettings”: { “DefaultResourceSpec”: { “SageMakerImageArn”: “arn:aws:sagemaker:<REGION>:<ACCOUNT_ID>:image/jupyter-server-3", “InstanceType”: “system” } }
}

اگر کاربر فعلی استودیو هستید، می‌توانید نسخه نوت بوک خود را با انتخاب نمایه کاربری خود در کنترل پنل SageMaker و انتخاب آن تغییر دهید. ویرایش.

سپس نسخه مورد نظر خود را در قسمت انتخاب کنید نسخه آزمایشگاه ژوپیتر بخش.

برای اطلاعات بیشتر، نگاه کنید به نسخه JupyterLab.

با JupyterLab 3 در SageMaker Notebook Instance شروع کنید

کاربران نمونه SageMaker Notebook همچنین می توانند نسخه پیش فرض نوت بوک را هم از کنسول و هم با استفاده از API ما مشخص کنند. در صورت استفاده از کنسول، توجه داشته باشید که گزینه انتخاب نوت بوک Jupyter Lab 3 فقط برای آخرین نسل از نمونه نوت بوک SageMaker که با آمازون لینوکس 2 ارائه می شود.

در کنسول SageMaker، نسخه خود را هنگام ایجاد نمونه نوت بوک خود در زیر انتخاب کنید شناسه پلتفرم.

اگر از API استفاده می کنید، از کد زیر استفاده کنید:

create-notebook-instance --notebook-instance-name <NEW_NOTEBOOK_NAME> --instance-type <INSTANCE_TYPE> --role-arn <YOUR_ROLE_ARN> --platform-identifier <notebook-al2-v2>

برای اطلاعات بیشتر، نگاه کنید به ایجاد یک نوت بوک با نسخه JupyterLab.

نتیجه

SageMaker Studio و SageMaker Notebook Instance اکنون یک تجربه نوت بوک ارتقا یافته را به کاربران ارائه می دهند. ما شما را تشویق می‌کنیم که قابلیت‌های جدید را امتحان کنید و بهره‌وری توسعه‌دهندگان را با این پیشرفت‌ها افزایش دهید!

درباره نویسنده

شان مورگان یک معمار راه حل های AI/ML در AWS است. او تجربه ای در زمینه های تحقیقاتی دانشگاهی و نیمه هادی دارد و از تجربه خود برای کمک به مشتریان برای رسیدن به اهداف خود در AWS استفاده می کند. در اوقات فراغت، شان یک مشارکت‌کننده/نگهدار منبع باز فعال است و رهبر گروه مورد علاقه ویژه افزونه‌های TensorFlow است.

آرکاپراوا د مهندس ارشد نرم افزار در AWS است. او بیش از 7 سال در آمازون بوده و در حال حاضر روی بهبود تجربه Amazon SageMaker Studio IDE کار می کند.

کونال جها مدیر محصول ارشد در AWS است. او بر ساخت Amazon SageMaker Studio به عنوان IDE منتخب برای تمام مراحل توسعه ML متمرکز است. کونال در اوقات فراغت خود از اسکی و کاوش در شمال غربی اقیانوس آرام لذت می برد. می توانید او را در آن پیدا کنید لینک.

• Coinsmart. بهترین صرافی بیت کوین و کریپتو اروپا.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی رایگان.
• CryptoHawk. رادار آلت کوین امتحان رایگان.
• منبع: https://aws.amazon.com/blogs/machine-learning/amazon-sagemaker-studio-and-sagemaker-notebook-instance-now-come-with-jupyterlab-3-notebooks-to-boost-developer- بهره وری/