Amazon SageMaker Studio e l'istanza notebook SageMaker ora vengono forniti con i notebook JupyterLab 3 per aumentare la produttività degli sviluppatori

Ripubblicato da Platone

Seguaci: 0

Amazon Sage Maker viene fornito con due opzioni per creare notebook completamente gestiti per esplorare i dati e creare modelli di machine learning (ML). La prima opzione è l'avvio rapido, i notebook collaborativi accessibili all'interno Amazon Sage Maker Studio – un ambiente di sviluppo completamente integrato (IDE) per l'apprendimento automatico. Puoi avviare rapidamente i taccuini in Studio, aumentare o diminuire facilmente le risorse di calcolo sottostanti senza interrompere il lavoro e persino condividere il taccuino come collegamento in pochi semplici clic. Oltre a creare notebook, puoi eseguire tutte le fasi di sviluppo del machine learning per creare, addestrare, eseguire il debug, tracciare, distribuire e monitorare i tuoi modelli in un unico pannello di Studio. La seconda opzione è Istanza notebook Amazon SageMaker – un'unica istanza di calcolo ML completamente gestita che esegue i notebook nel cloud, offrendo ai clienti un maggiore controllo sulle configurazioni dei notebook.

Oggi siamo lieti di annunciare che SageMaker Studio e SageMaker Notebook Instance sono ora disponibili con i notebook JupyterLab 3. I nuovi notebook forniscono a data scientist e sviluppatori un moderno IDE completo di strumenti per la produttività degli sviluppatori per la creazione di codice, il refactoring e il debug e il supporto per le ultime estensioni Jupyter open source. AWS è un importante contributo alla comunità open source di Jupyter e siamo felici di offrire ai nostri clienti le ultime funzionalità di Jupyter.

In questo post, mostriamo alcuni degli eccitanti nuove funzionalità integrate nei notebook SageMaker e richiama l'attenzione su alcune delle nostre estensioni open source preferite che migliorano l'esperienza degli sviluppatori quando si utilizza SageMaker per creare, addestrare e distribuire i propri modelli ML.

Novità dei taccuini su SageMaker

I nuovi notebook sono dotati di diverse funzionalità pronte all'uso che migliorano l'esperienza degli sviluppatori SageMaker, tra cui le seguenti:

Un debugger integrato con supporto per punti di interruzione e ispezione delle variabili
Un pannello del sommario per navigare più facilmente nei taccuini
Una barra dei filtri per il browser dei file
Supporto per più lingue di visualizzazione
La possibilità di installare estensioni tramite pip, Conda e Mamba

Grazie alla debugger integrato, puoi ispezionare le variabili e passare attraverso i punti di interruzione mentre crei in modo interattivo la tua scienza dei dati e il codice ML. Puoi accedere al debugger semplicemente scegliendo l'icona del debugger sulla barra degli strumenti del notebook.

Al momento della stesura di questo documento, il debugger è disponibile per il nostro appena lanciato Base Python 2.0 ed Data Science 2.0 immagini in SageMaker Studio e amazonei_pytorch_latest_p37, pytorch_p38e tensorflow2_p38 kernel in SageMaker Notebook Instance, con l'intenzione di supportarne altri nel prossimo futuro.

Il pannello del sommario fornisce un'eccellente utilità per navigare tra i taccuini e condividere più facilmente i risultati con i colleghi.

Estensioni JupyterLab

Con i notebook aggiornati in SageMaker, puoi trarre vantaggio dalla comunità in continua crescita di estensioni JupyterLab open source. In questa sezione, ne evidenziamo alcuni che si adattano naturalmente al flusso di lavoro degli sviluppatori SageMaker, ma ti invitiamo a farlo sfoglia le estensioni disponibili o addirittura crea il tuo.

La prima estensione che segnaliamo è la Estensione del protocollo del server di lingua. Questa estensione open source abilita le moderne funzionalità IDE come il completamento delle schede, l'evidenziazione della sintassi, il passaggio al riferimento, la ridenominazione delle variabili su notebook e moduli, la diagnostica e molto altro. Questa estensione è molto utile per quegli sviluppatori che vogliono creare moduli Python e notebook.

Un'altra utile estensione per il flusso di lavoro degli sviluppatori SageMaker è il browser jupyterlab-s3. Questa estensione raccoglie le credenziali del tuo ruolo di esecuzione SageMaker e ti consente di sfogliare, caricare e scrivere file direttamente su Servizio di archiviazione semplice Amazon (Amazon S3).

Installa le estensioni

JupyterLab 3 ora fa il processo di confezionamento e installazione delle estensioni notevolmente più facile. Puoi installare le estensioni di cui sopra tramite gli script bash. Ad esempio, in SageMaker Studio, apri il terminale di sistema dal launcher di Studio ed eseguire i seguenti comandi. Si noti che lo Studio aggiornato ha un ambiente Conda separato e isolato per la gestione del runtime di Jupyter Server, quindi è necessario installare le estensioni nel studio Ambiente Conda. Per installare le estensioni nell'istanza di SageMaker Notebook, non è necessario cambiare ambiente Conda.

Inoltre, puoi automatizzare l'installazione di queste estensioni utilizzando configurazioni del ciclo di vita quindi vengono mantenuti tra i riavvii di Studio. Puoi configurarlo per tutti gli utenti del dominio oa livello di singolo utente.

Per Python Language Server, utilizzare il codice seguente per installare le estensioni:

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

Per il browser di file Amazon S3, utilizza quanto segue:

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

Assicurati di aggiornare il browser dopo l'installazione.

Per ulteriori informazioni sulla scrittura di script del ciclo di vita simili per l'istanza di SageMaker Notebook, fare riferimento a Personalizza un'istanza Notebook utilizzando uno script di configurazione del ciclo di vita ed Personalizza le tue istanze notebook Amazon SageMaker con le configurazioni del ciclo di vita e l'opzione per disabilitare l'accesso a Internet. Inoltre, per ulteriori informazioni sulla gestione delle estensioni, incluso come scrivere configurazioni del ciclo di vita che funzionano per entrambe le versioni 1 e 3 dei notebook JupyterLab per la compatibilità con le versioni precedenti, vedere Installazione di estensioni JupyterLab e Jupyter Server.

Inizia con i notebook JupyterLab 3 in Studio

Se stai creando un nuovo dominio Studio, puoi specificare la versione predefinita del notebook direttamente da Console di gestione AWS o utilizzando l'API.

Nel pannello di controllo di SageMaker, cambia la versione del tuo notebook quando modifichi le impostazioni del tuo dominio, in Versione Jupyter Lab .

Per utilizzare l'API, configurare il JupyterServerAppSettings parametro come segue:

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” } }
}

Se sei un utente Studio esistente, puoi modificare la versione del tuo notebook scegliendo il tuo profilo utente nel Pannello di controllo di SageMaker e scegliendo Modifica.

Quindi scegli la tua versione preferita in Versione Jupyter Lab .

Per ulteriori informazioni, vedere Versione JupyterLab.

Inizia con JupyterLab 3 su SageMaker Notebook Instance

Gli utenti di SageMaker Notebook Instance possono anche specificare la versione predefinita del notebook sia dalla console che utilizzando la nostra API. Se utilizzi la console, tieni presente che l'opzione per scegliere i notebook Jupyter Lab 3 è disponibile solo per l'ultima generazione di istanza SageMaker Notebook fornita con Amazon Linux 2.

Sulla console SageMaker, scegli la tua versione durante la creazione dell'istanza notebook, in Identificatore della piattaforma.

Se si utilizza l'API, utilizzare il codice seguente:

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

Per ulteriori informazioni, vedere Creazione di un notebook con la tua versione di JupyterLab.

Conclusione

SageMaker Studio e SageMaker Notebook Instance ora offrono agli utenti un'esperienza notebook aggiornata. Ti invitiamo a provare le nuove funzionalità e aumentare ulteriormente la produttività degli sviluppatori con questi miglioramenti!

Informazioni sugli autori

Sean Morgan è un AI/ML Solutions Architect presso AWS. Ha esperienza nel campo dei semiconduttori e della ricerca accademica e usa la sua esperienza per aiutare i clienti a raggiungere i loro obiettivi su AWS. Nel suo tempo libero, Sean è un attivo collaboratore/mantenitore dell'open source ed è il capo di un gruppo di interesse speciale per i componenti aggiuntivi di TensorFlow.

Arkaprava De è un Senior Software Engineer presso AWS. È in Amazon da oltre 7 anni e sta attualmente lavorando per migliorare l'esperienza IDE di Amazon SageMaker Studio.

Kunal Jha è Senior Product Manager presso AWS. È concentrato sulla creazione di Amazon SageMaker Studio come IDE preferito per tutte le fasi di sviluppo di ML. Nel tempo libero, Kunal ama sciare ed esplorare il Pacifico nord-occidentale. Puoi trovarlo addosso LinkedIn.