Ten post przedstawia i porównuje opcje i zalecane praktyki dotyczące zarządzania pakietami Pythona i środowiskami wirtualnymi w Studio Amazon SageMaker zeszyty. Publiczność GitHub repo zawiera praktyczne przykłady dla każdego z przedstawionych podejść.
Amazon SageMaker Studio to internetowe, zintegrowane środowisko programistyczne (IDE) do uczenia maszynowego (ML), które umożliwia tworzenie, trenowanie, debugowanie, wdrażanie i monitorowanie modeli ML. Studio zapewnia wszystkie narzędzia potrzebne do przenoszenia modeli od przygotowania danych, przez eksperymentowanie, aż po produkcję, przy jednoczesnym zwiększeniu produktywności.
Notebooki studyjne to wspólne notesy Jupyter, które można szybko uruchomić, ponieważ nie trzeba wcześniej konfigurować instancji obliczeniowych ani magazynu plików. Gdy otwierasz notatnik w Studio, pojawia się monit o skonfigurowanie środowiska poprzez wybranie obrazu SageMaker, jądra, typu instancji i opcjonalnie skryptu konfiguracji cyklu życia, który jest uruchamiany podczas uruchamiania obrazu.
Aby uzyskać więcej informacji na temat koncepcji notesów programu Studio i innych aspektów architektury, zobacz Zanurz się głęboko w architekturę notebooków Amazon SageMaker Studio.
Notesy Studio zostały zaprojektowane tak, aby wspierać Cię we wszystkich fazach rozwoju uczenia maszynowego, na przykład podczas tworzenia pomysłów, eksperymentowania i operacjonalizacji przepływu pracy uczenia maszynowego. Studio jest dostarczane z gotowym zdjęcia w tym najnowsze Zestaw SDK Amazon SageMaker dla Pythona oraz, w zależności od typu obrazu, inne określone pakiety i zasoby, takie jak biblioteki platformy Spark, MXNet lub PyTorch, oraz ich wymagane zależności. Każdy obraz może zawierać jeden lub wiele jądra, które mogą być różnymi środowiskami wirtualnymi do programowania.
Aby zapewnić najlepsze dopasowanie do procesu i faz programowania, dostęp do określonych lub najnowszych platform ML lub spełnić wymagania dotyczące dostępu do danych i zarządzania, można dostosować gotowe środowiska notebooków lub utworzyć nowe środowiska przy użyciu własnych obrazów i jąder.
W tym poście omówiono następujące podejścia do dostosowywania środowisk Studio przez zarządzanie pakietami i tworzenie środowisk wirtualnych języka Python w notesach Studio:
- Użyj niestandardowego obrazu aplikacji Studio KernelGateway
- Użyj konfiguracji cyklu życia notesu Studio
- Skorzystaj ze Studia System plików Amazon Elastic (Amazon EFS) w celu utrwalenia środowisk Conda
- Zastosowanie
pip install
Jądra aplikacji Studio KernelGateway i notebooków
Jedna z głównych różnic między architekturą notebooków Studio w porównaniu do Instancje notatników SageMaker polega na tym, że jądra notebooków Studio działają w kontenerze Docker o nazwie a Kontener obrazu SageMaker, a nie hostowane bezpośrednio na Elastyczna chmura obliczeniowa Amazon (Amazon EC2), co ma miejsce w przypadku instancji notatników SageMaker.
Poniższy diagram przedstawia relacje między KernelGateway, jądrami notebooków i obrazami SageMaker. (Aby uzyskać więcej informacji, zob Korzystaj z notatników Amazon SageMaker Studio.)
Z powodu tej różnicy istnieją pewne specyficzne sposoby tworzenia i zarządzania środowiskach wirtualnych w notatnikach programu Studio, na przykład użycie środowisk Conda lub trwałość środowisk programistycznych ML między ponownymi uruchomieniami jądra.
W poniższych sekcjach szczegółowo opisano każde z czterech podejść do dostosowywania środowiska, podano praktyczne przykłady i zalecano przypadki użycia dla każdej opcji.
Wymagania wstępne
Aby zacząć od przykładów i samodzielnie wypróbować podejście do dostosowywania, potrzebujesz aktywnej domeny SageMaker i co najmniej jednego profilu użytkownika w domenie. Jeśli nie masz domeny, zapoznaj się z instrukcjami w Na pokładzie do domeny Amazon SageMaker.
Niestandardowe obrazy aplikacji Studio KernelGateway
Obraz aplikacji Studio KernelGateway to kontener platformy Docker, który identyfikuje jądra, pakiety językowe i inne zależności wymagane do uruchomienia notesu Jupyter w Studio. Tych obrazów używasz do tworzenia środowisk, w których następnie uruchamiasz notesy Jupyter. Studio zapewnia wiele wbudowane obrazy do użytku.
Jeśli potrzebujesz innych funkcji, określonych platform lub pakietów bibliotek, możesz przenieść do Studio własne niestandardowe obrazy (BYOI).
Możesz tworzyć obrazy aplikacji i wersje obrazów, dołączać wersje obrazów do swojej domeny oraz udostępniać aplikację wszystkim użytkownikom domeny lub określonym profilom użytkowników. Możesz zarządzać obrazami aplikacji za pomocą konsoli SageMaker, AWS SDK dla Pythona (Boto3) i Interfejs wiersza poleceń AWS (AWS CLI). Niestandardowy obraz musi być przechowywany w pliku Rejestr elastycznego pojemnika Amazon (Amazon ECR).
Główne zalety tego podejścia to wysoki poziom kontroli wersji i odtwarzalności środowiska uruchomieniowego ML oraz natychmiastowa dostępność pakietów bibliotek, ponieważ są one instalowane w obrazie. Możesz wdrożyć kompleksowe testy, zarządzanie, zabezpieczenia i automatyzację CI/CD w celu tworzenia niestandardowych obrazów aplikacji. Posiadanie migawek środowisk programistycznych ułatwia i egzekwuje poręcze i praktyki bezpieczeństwa w Twojej organizacji.
Dostarczone notatnik implementuje proces tworzenia obrazu aplikacji dla środowisk opartych na Conda. Notatnik pokazuje, jak można tworzyć obrazy obsługujące wiele środowisk, aby użytkownicy aplikacji mogli wybierać jądra, na których mogą uruchamiać swoje notebooki.
Skonfiguruj niestandardowy obraz aplikacji
Musisz uruchomić ten notatnik jako instancję notatnika SageMaker, aby umożliwić lokalne używanie Dockera i uruchamianie poleceń Dockera w notatniku. Alternatywnie do korzystania z wystąpień notesu lub skryptów powłoki można użyć metody Interfejs wiersza polecenia kompilacji obrazu programu Studio do pracy z Dockerem w Studio. Studio Image Build CLI umożliwia tworzenie obrazów Docker zgodnych z SageMaker bezpośrednio ze środowisk Studio przy użyciu Tworzenie kodu AWS.
Jeśli nie masz instancji notatnika SageMaker, postępuj zgodnie z instrukcjami w Utwórz instancję notatnika Amazon SageMaker zacząć.
Musisz także upewnić się, że rola wykonawcza, której używasz dla instancji notatnika, ma wymagane uprawnienia do operacji w domenie Amazon ECR i SageMaker:
Aby utworzyć niestandardowy obraz z dwoma jądrami, z których każde ma własne środowisko wirtualne Conda, notebook wykonuje następujące kroki:
- Zdefiniuj środowiska Conda. Środowisko Conda musi mieć zainstalowany pakiet jądra Jupyter, np.
ipykernel
dla jądra Pythona. - Zdefiniuj plik Docker. Rozważ niestandardowy obraz SageMaker Specyfikacje podczas tworzenia własnego wizerunku.
- Zbuduj obraz platformy Docker zgodny ze Studio i umieść obraz w repozytorium ECR.
- Stwórz Obraz SageMakera z obrazem Dockera z repozytorium ECR i stworzyć wstępną wersję obrazu. Za każdym razem, gdy aktualizujesz obraz w Amazon ECR, musi zostać utworzona nowa wersja obrazu.
- Zaktualizuj istniejącą domenę SageMaker, aby używać tego obrazu. W przypadku tej operacji rola wykonawcza wymaga
UpdateDomain
pozwolenie. Obraz jest natychmiast dostępny dla wszystkich profili użytkowników domeny. Jeśli chcesz, aby obraz był dostępny tylko dla określonego profilu użytkownika, możesz użyćUpdateUserProfile
Wywołanie API zamiastUpdateDomain
. - Premiera niestandardowy obraz w Studio. Uruchom nowy notatnik i wybierz nowy obraz z rozwijanego menu wyboru obrazu.
Studio automatycznie rozpoznaje środowiska Conda w twoim obrazie jako odpowiednie jądra w rozwijanym menu wyboru jądra w Skonfiguruj środowisko notebooka widżet.
Odwołaj się do tych przykładowe zeszyty aby uzyskać więcej przykładów i przypadków użycia dotyczących implementacji niestandardowego obrazu aplikacji.
Sprzątać
Aby uniknąć opłat, musisz zatrzymać aktywne instancje notatników SageMaker. Aby uzyskać instrukcje, patrz Sprzątać.
Implementuj zautomatyzowany proces tworzenia obrazów
Jak już wspomniano, możesz użyć Interfejs wiersza polecenia kompilacji obrazu programu Studio wdrożenie zautomatyzowanego procesu CI/CD tworzenia i wdrażania obrazu aplikacji za pomocą CodeBuild i Interfejs wiersza polecenia sm-docker. Abstrahuje konfigurację środowisk kompilacji Docker, automatycznie konfigurując podstawowe usługi i przepływ pracy niezbędne do tworzenia obrazów Docker.
Zalecane przypadki użycia
Podejście do niestandardowego obrazu aplikacji dobrze pasuje do następujących scenariuszy podczas korzystania ze środowiska notesu Studio:
- Stabilne i kontrolowane środowiska do użytku produkcyjnego lub wrażliwego rozwoju
- Środowiska bez dostępu do Internetu, w których chcesz umieścić wszystkie potrzebne zasoby i biblioteki w obrazie
- Wysoki współczynnik ponownego wykorzystania środowiska i niski wskaźnik zmian w środowiskach
- Duża skala operacji data science, dziesiątki lub setki programistów lub zespołów, które potrzebują dostępu do ustandaryzowanych niestandardowych środowisk
- Korzystaj z bibliotek, których nie można skonfigurować na własnych obrazach SageMaker
- Wymagania dotyczące używania niestandardowych obrazów dla innego systemu operacyjnego lub innego języka programowania
- Scentralizowane zarządzanie i rozwój środowiska przy użyciu zautomatyzowanych potoków CI/CD
Ograniczenia tego podejścia
Takie podejście wymaga wieloetapowego procesu tworzenia obrazu, w tym testów, co może być przesadą w przypadku mniejszych lub bardzo dynamicznych środowisk. Ponadto rozważ następujące ograniczenia tego podejścia:
- Dodawanie nowych pakietów lub tworzenie nowych wersji obrazu wymaga wcześniejszego wysiłku. Jako środek zaradczy możesz dostosować istniejący niestandardowy obraz za pomocą pip, nawet jeśli nie jest on trwały.
- Dołączenie nowego niestandardowego obrazu lub dodanie nowej wersji do domeny wymaga
UpdateDomain
uprawnienie, które zwykle nie jest dołączone do roli wykonywania profilu użytkownika. Zalecamy użycie zautomatyzowanego potoku z dedykowaną rolą wykonawczą do wykonania tej operacji lub nadanie uprawnień do aktualizacji domeny dedykowanemu użytkownikowi lub roli administratora. - Wymaga dużego nakładu pracy ręcznej przy tworzeniu obrazu. Zalecamy wdrożenie zautomatyzowanego potoku, jeśli często tworzysz i aktualizujesz obrazy niestandardowe.
- Jeśli korzystasz ze środowisk Conda, możesz napotkać problemy w środowisku Docker. Aby zapoznać się z przykładem, patrz Aktywacja środowiska Conda w pliku Dockerfile. Nie wszystkie polecenia Conda mogą działać w wirtualnym środowisku notebooka. Jednak to podejście do dostosowywania Studio nie ogranicza się do środowisk opartych na Conda.
- Nie można ręcznie przełączać się między środowiskami Conda w notebooku; musisz przełączyć jądra w widgecie konfiguracji środowiska notebooka.
Weź również pod uwagę, że istnieją domyślne Kontyngenty 30 niestandardowych obrazów na domenę i 5 obrazów na profil użytkownika. Są to limity miękkie i można je zwiększać.
W następnych sekcjach opisano bardziej lekkie podejścia, które mogą lepiej pasować do innych przypadków użycia.
Konfiguracje cyklu życia notebooka Studio
Studio konfiguracje cyklu życia zdefiniuj skrypt powłoki, który jest uruchamiany przy każdym ponownym uruchomieniu aplikacji bramy jądra i może instalować wymagane pakiety. Główną korzyścią jest to, że analityk danych może wybrać skrypt do uruchomienia w celu dostosowania kontenera za pomocą nowych pakietów. Ta opcja nie wymaga przebudowywania kontenera iw większości przypadków w ogóle nie wymaga niestandardowego obrazu, ponieważ można dostosować te gotowe.
Skonfiguruj proces konfiguracji cyklu życia
Ten proces trwa około 5 minut. Post pokazuje, jak korzystać z konfiguracji cyklu życia za pośrednictwem konsoli SageMaker. Podane notatnik pokazuje, jak zaimplementować to samo programowo przy użyciu Boto3.
- W konsoli SageMaker wybierz Konfiguracje cyklu życia w okienku nawigacji.
- Na Studio kartę, wybierz Utwórz konfigurację.
Pierwszym krokiem tworzenia konfiguracji cyklu życia jest wybranie typu.
- W tym przypadku użycia instalowania zależności za każdym razem, gdy tworzona jest aplikacja bramy jądra Jupyter, wybierz opcję Aplikacja bramy jądra Jupyter i wybierz Następna.
- W razie zamówieenia projektu Imię, wprowadź nazwę konfiguracji.
- W skrypty zdefiniuj skrypt, który ma być uruchamiany podczas uruchamiania jądra. W tym przykładzie biblioteka PyArrow zostanie zainstalowana z następującym skryptem:
- Dodaj Utwórz konfigurację.
Teraz, gdy konfiguracja została utworzona, należy ją dołączyć do domeny lub profilu użytkownika. W przypadku dołączenia do domeny wszystkie profile użytkowników w tej domenie dziedziczą ją, natomiast w przypadku dołączenia do profilu użytkownika zakres obejmuje ten konkretny profil. W tym instruktażu używamy trasy domeny Studio.
- Dodaj domeny w okienku nawigacji i otwórz istniejącą domenę.
- Na Środowisko zakładka, w Konfiguracje cyklu życia dla osobistych aplikacji Studio Sekcja, wybierz Dołączać.
- W razie zamówieenia projektu Źródło, Wybierz Istniejąca konfiguracja.
- Wybierz utworzoną konfigurację cyklu życia i wybierz Dołącz do domeny.
Teraz, gdy cała konfiguracja jest zakończona, nadszedł czas na przetestowanie skryptu w Studio.
- Uruchom Studio i na wyrzutnia kartę, zlokalizuj Notatniki i zasoby obliczeniowe sekcja, i wybierz Zmień otoczenie aby wybrać utworzoną konfigurację cyklu życia.
- W razie zamówieenia projektu Skrypt startowy, wybierz utworzoną konfigurację cyklu życia, a następnie wybierz Wybierz.
- Dodaj Utwórz notatnik.
Możesz także ustawić domyślne uruchamianie konfiguracji cyklu życia w pliku Konfiguracje cyklu życia dla osobistych aplikacji Studio odcinek Domena strona.
W nowym notatniku dostępne będą zależności zainstalowane w skrypcie startowym.
Zalecane przypadki użycia
To podejście jest lekkie, ale także wydajne, ponieważ pozwala kontrolować konfigurację środowiska notebooka za pomocą skryptów powłoki. Przypadki użycia, które najlepiej pasują do tego podejścia, są następujące:
- Integracja instalacji pakietów z konfiguracją cyklu życia notebooka, która musi być uruchamiana przy każdym uruchomieniu jądra.
- Środowiska bez dostępu do Internetu. Użyj konfiguracji cyklu życia, aby skonfigurować środowisko dostępu do repozytoriów lokalnych lub artefaktów bezpieczeństwa i pakietów, takich jak Artefakt Kodeksu AWS.
- Jeśli korzystasz już z konfiguracji cyklu życia, możesz je rozszerzyć, aby obejmowały instalację pakietu.
- Instalacja kilku dodatkowych pakietów na wbudowanych lub niestandardowych obrazach aplikacji.
- Gdy potrzebujesz krótszego czasu na wprowadzenie na rynek niż w przypadku niestandardowych obrazów aplikacji.
Ograniczenia tego podejścia
Głównymi ograniczeniami są duże nakłady pracy związane z zarządzaniem skryptami konfiguracyjnymi cyklu życia na dużą skalę oraz powolna instalacja pakietów. W zależności od liczby zainstalowanych pakietów i ich wielkości skrypt cyklu życia może nawet przekroczyć limit czasu. Istnieją również ograniczone możliwości dostosowywania skryptów ad hoc przez użytkowników, takich jak badacze danych lub inżynierowie ML, ze względu na uprawnienia roli wykonywania profilu użytkownika.
Odnosić się do Przykłady konfiguracji cyklu życia SageMaker Studio aby uzyskać więcej próbek i przypadków użycia.
Utrwalaj środowiska Conda na woluminie Studio EFS
Domeny SageMaker i Studio używają woluminu EFS jako trwałej warstwy pamięci masowej. Możesz zapisać swoje środowiska Conda na tym woluminie EFS. Te środowiska są trwałe między ponownym uruchomieniem jądra, aplikacji lub Studio. Studio automatycznie pobiera wszystkie środowiska jako jądra KernelGateway.
Jest to prosty proces dla analityka danych, ale środowisko pojawia się na liście dostępnych jąder z 1-minutowym opóźnieniem. Mogą również wystąpić problemy z używaniem środowisk dla aplikacji bramy jądra, które mają różne wymagania obliczeniowe, na przykład środowisko oparte na procesorze w aplikacji opartej na GPU.
Odnosić się do Niestandardowe środowiska Conda w SageMaker Studio aby uzyskać szczegółowe instrukcje. Repozytorium GitHub posta zawiera również plik notatnik z przewodnikiem krok po kroku.
Twórz trwałe środowiska Conda na woluminie Studio EFS
Ten przewodnik powinien zająć około 10 minut.
- W Studio wybierz Strona główna w okienku nawigacji.
- Dodaj Otwórz program uruchamiający.
- W Launcherze zlokalizuj plik Notatniki i zasoby obliczeniowe
- Sprawdź, czy wybrany obraz SageMaker jest obsługiwanym przez Conda obrazem jądra pierwszej firmy, takim jak „Data Science”.
- Dodaj Otwórz terminal obrazu aby otworzyć okno terminala z nowym jądrem.
Zostanie wyświetlony komunikat „Uruchamianie terminala z obrazem…”, a po kilku chwilach nowy terminal otworzy się w nowej karcie.
- W terminalu uruchom następujące polecenia:
Wykonanie tych poleceń zajmie około 3 minut i utworzy katalog na woluminie EFS do przechowywania środowisk Conda, utworzy nowe środowisko Conda i aktywuje je, zainstaluje ipykernel
zależności (bez tej zależności to rozwiązanie nie będzie działać), a na koniec utwórz plik konfiguracyjny Conda (.condarc
), który zawiera odniesienie do nowego katalogu środowiska Conda. Ponieważ jest to nowe środowisko Conda, nie są instalowane żadne dodatkowe zależności. Aby zainstalować inne zależności, możesz zmodyfikować plik conda install
line lub poczekaj na zakończenie wykonywania następujących poleceń i zainstaluj wszelkie dodatkowe zależności w środowisku Conda.
- W tym przykładzie instalujemy bibliotekę NumPy, uruchamiając następujące polecenie w oknie terminala:
Po utworzeniu środowiska Conda i zainstalowaniu zależności można utworzyć notatnik korzystający z tego środowiska Conda utrwalonego w Amazon EFS.
- W programie uruchamiającym Studio wybierz Utwórz notatnik.
- Z nowego notatnika wybierz jądro „Python 3 (Data Science)”.
- W razie zamówieenia projektu Jądro, wybierz nowo utworzone środowisko Conda, a następnie wybierz Wybierz.
Jeśli na początku nie ma opcji dla nowego środowiska Conda, może to być spowodowane tym, że propagacja zajmuje kilka minut.
Z powrotem w notatniku nazwa jądra zmieni się w prawym górnym rogu, aw komórce możesz sprawdzić, czy zainstalowane zależności są dostępne.
Zalecane przypadki użycia
Poniższe przypadki użycia najlepiej pasują do tego podejścia:
- Środowiska bez dostępu do Internetu, ze wszystkimi zależnościami preinstalowanymi w utrwalonych środowiskach Conda
- Środowiska ad hoc, które wymagają trwałości między sesjami jądra
- Testowanie niestandardowych obrazów SageMaker w Studio przed utworzeniem obrazu Docker i przesłaniem do Amazon ECR
Ograniczenia tego podejścia
Chociaż to podejście ma praktyczne zastosowania, należy wziąć pod uwagę następujące ograniczenia:
- Mogą występować problemy z wydajnością Amazon EFS na wielu małych plikach, co jest bardzo częste przy zarządzaniu pakietami Pythona.
- Udostępnianie trwałych środowisk między profilami użytkowników Studio może być trudne.
- Ponowne użycie trwałych środowisk może być trudne.
- Zajęcie się zarządzaniem na dużą skalę może być trudne.
- Podejście to działa tylko z określonymi, własnymi obrazami SageMaker opartymi na Conda, na przykład „Data Science”, „Data Science 2.0” i „Data Science 3.0”. Aby uzyskać listę wszystkich dostępnych obrazów, patrz Dostępne obrazy Amazon SageMaker.
Instalacja pipsa
Możesz instalować pakiety bezpośrednio w domyślnym środowisku Conda lub domyślnym środowisku Pythona.
Stwórz setup.py
or requirements.txt
plik ze wszystkimi wymaganymi zależnościami i uruchom %pip install .-r requirement.txt
. Musisz uruchomić to polecenie za każdym razem, gdy ponownie uruchamiasz jądro lub odtwarzasz aplikację.
Takie podejście jest zalecane w przypadku eksperymentów ad hoc, ponieważ te środowiska nie są trwałe.
Aby uzyskać więcej informacji na temat korzystania z pip install
polecenia i ograniczenia, patrz Zainstaluj zewnętrzne biblioteki i jądra w Amazon SageMaker Studio.
Zalecane przypadki użycia
To podejście jest standardowym sposobem instalowania pakietów w celu dostosowania środowiska notebooka. Zalecane przypadki użycia są ograniczone do zastosowań nieprodukcyjnych do eksperymentowania ad hoc w notatniku:
- Eksperymenty ad hoc w notesach programu Studio
- Środowiska nieproduktywne i niewrażliwe, środowiska piaskownicy
- Środowiska z dostępem do Internetu
Ograniczenia tego podejścia
Główne ograniczenia tego podejścia to:
- Niektóre środowiska korporacyjne blokują wszystkie wychodzące i przychodzące połączenia internetowe i nie można z nich korzystać
pip install
ściągać pakiety Pythona lub konfigurować tryb offline - Niższa odtwarzalność środowisk
- Musisz poczekać, aż pakiety zostaną pobrane i zainstalowane
- Brak trwałości między ponownymi uruchomieniami obrazu
Wnioski
SageMaker Studio oferuje szeroki zakres możliwości dostosowywania środowisk programistycznych. Każda rola użytkownika, taka jak analityk danych; inżynier ML, MLOps lub DevOps; a administrator może wybrać najbardziej odpowiednie podejście w oparciu o swoje potrzeby, miejsce w cyklu rozwoju i bariery ochronne przedsiębiorstwa.
Poniższa tabela podsumowuje przedstawione podejścia wraz z ich preferowanymi przypadkami użycia i głównymi ograniczeniami.
Podejście | Uporczywość | Najlepiej dopasowane przypadki użycia | Ograniczenia |
Przynieś swój własny obraz | Trwałe, przenoszone między profilami użytkowników i domenami |
|
|
Konfiguracje cyklu życia | Trwałe, przenoszone między profilami użytkowników i domenami |
|
|
Środowiska Conda na woluminie Studio EFS | Trwałe, nieprzenoszalne między profilami użytkowników lub domenami |
|
|
Instalacja pipsa | Przejściowe, brak trwałości między ponownymi uruchomieniami obrazu lub Studio, brak możliwości przenoszenia między profilami użytkowników lub domenami |
|
|
To wciąż Dzień 1. Rzeczywiste środowisko wirtualne i zarządzanie Pythonem są znacznie bardziej złożone niż te cztery podejścia, ale ten post pomoże Ci wykonać pierwsze kroki w celu opracowania własnego przypadku użycia.
Więcej przypadków użycia, szczegółów i praktycznych przykładów można znaleźć w następujących zasobach:
O autorach
Jewgienij Iljin jest architektem rozwiązań w Amazon Web Services (AWS). Ma ponad 20-letnie doświadczenie w pracy na wszystkich poziomach tworzenia oprogramowania i architektury rozwiązań. Używał języków programowania od COBOL i Assembler po .NET, Java i Python. Opracowuje i koduje natywne rozwiązania chmurowe, koncentrując się na big data, analityce i inżynierii danych.
Alex Grace jest architektem rozwiązań w Amazon Web Services (AWS), który zajmuje się Fintech Digital Native Businesss. Alex, mieszkający w Londynie, współpracuje z kilkoma wiodącymi brytyjskimi Fintechami i lubi wspierać ich w korzystaniu z AWS do rozwiązywania problemów biznesowych i napędzania przyszłego wzrostu. Wcześniej Alex pracował jako programista i lider techniczny w start-upach Fintech w Londynie, a ostatnio specjalizuje się w rozwiązaniach uczenia maszynowego AWS.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/
- :Jest
- $W GÓRĘ
- 1
- 10
- 100
- 11
- 20 roku
- 7
- 8
- a
- O nas
- streszczenia
- dostęp
- Konto
- Działania
- aktywny
- Ad
- Dodatkowy
- adres
- Admin
- Po
- alex
- Wszystkie kategorie
- pozwala
- już
- Amazonka
- Amazon EC2
- Amazon Sage Maker
- Studio Amazon SageMaker
- Amazon Web Services
- Amazon Web Services (AWS)
- analityka
- i
- api
- Aplikacja
- zjawić się
- Zastosowanie
- podejście
- awanse
- mobilne i webowe
- architektura
- SĄ
- na około
- AS
- aspekty
- At
- dołączać
- autoring
- zautomatyzowane
- automatycznie
- Automatyzacja
- dostępność
- dostępny
- AWS
- na podstawie
- BE
- bo
- zanim
- korzyści
- Korzyści
- BEST
- Ulepsz Swój
- pomiędzy
- Duży
- Big Data
- Blokować
- pobudzanie
- przynieść
- szeroki
- budować
- Budowanie
- wbudowany
- biznes
- biznes
- by
- wezwanie
- nazywa
- CAN
- walizka
- Etui
- wyzwania
- wyzwanie
- Zmiany
- Opłaty
- Dodaj
- Wybierając
- Chmura
- COBOL
- współpracy
- wspólny
- w porównaniu
- zgodny
- kompletny
- kompleks
- wszechstronny
- obliczać
- Koncepcje
- systemu
- połączenia
- Rozważać
- rozważa
- Konsola
- Pojemnik
- zawiera
- kontrola
- kontrolowanych
- kontroli
- Corner
- Odpowiedni
- mógłby
- Stwórz
- stworzony
- Tworzenie
- tworzenie
- zwyczaj
- dostosowywanie
- dostosować
- cykl
- dane
- dostęp do danych
- Przygotowywanie danych
- nauka danych
- naukowiec danych
- dzień
- dedykowane
- głęboko
- Domyślnie
- opóźnienie
- demonstruje
- Zależność
- W zależności
- rozwijać
- Wdrożenie
- opisać
- zaprojektowany
- detal
- szczegółowe
- detale
- Deweloper
- deweloperzy
- rozwijanie
- oprogramowania
- rozwija się
- różnica
- Różnice
- różne
- cyfrowy
- bezpośrednio
- wyświetlacze
- Doker
- Nie
- domena
- domeny
- nie
- pobieranie
- dziesiątki
- dynamiczny
- każdy
- efekt
- wysiłek
- inżynier
- Inżynieria
- Inżynierowie
- zapewnić
- Wchodzę
- Enterprise
- Środowisko
- środowiska
- Parzyste
- Każdy
- przykład
- przykłady
- egzekucja
- Przede wszystkim system został opracowany
- doświadczenie
- Wyjaśniać
- rozciągać się
- zewnętrzny
- ułatwia
- kilka
- filet
- Akta
- W końcu
- Znajdź
- koniec
- FINTECH
- start-upy fintech
- fintechy
- i terminów, a
- pierwsze kroki
- dopasować
- Skupiać
- obserwuj
- następujący
- W razie zamówieenia projektu
- Framework
- Ramy
- często
- od
- Paliwo
- Funkcjonalność
- Ponadto
- przyszłość
- przyszły wzrost
- Bramka
- otrzymać
- GitHub
- Dać
- Złoty
- dobry
- zarządzanie
- Wzrost
- poprowadzi
- hands-on
- Have
- mający
- pomaga
- Wysoki
- gospodarz
- hostowane
- W jaki sposób
- How To
- Jednak
- HTML
- http
- HTTPS
- Setki
- identyfikuje
- obraz
- zdjęcia
- Natychmiastowy
- natychmiast
- wdrożenia
- realizacja
- wykonawczych
- narzędzia
- importować
- in
- zawierać
- Włącznie z
- wzrosła
- Informacja
- początkowy
- zainstalować
- zainstalowany
- Instalacja
- przykład
- zamiast
- instrukcje
- zintegrowany
- Internet
- dostęp do Internetu
- zaangażowany
- problemy
- IT
- Java
- jpg
- język
- Języki
- duży
- firmy
- uruchomić
- warstwa
- prowadzić
- prowadzący
- nauka
- pozwala
- poziom
- poziomy
- biblioteki
- Biblioteka
- wifecycwe
- lekki
- LIMIT
- Ograniczenia
- Ograniczony
- Limity
- Linia
- Lista
- miejscowy
- lokalnie
- Londyn
- długo
- WYGLĄD
- niski
- maszyna
- uczenie maszynowe
- Główny
- robić
- zarządzanie
- zarządzane
- i konserwacjami
- zarządzający
- podręcznik
- ręcznie
- wiele
- rynek
- wzmiankowany
- Menu
- wiadomość
- może
- minut
- łagodzenie
- ML
- MLOps
- modele
- modyfikować
- Chwile
- monitor
- jeszcze
- większość
- wielokrotność
- Nazwa
- rodzimy
- Nawigacja
- niezbędny
- Potrzebować
- wymagania
- netto
- Nowości
- Następny
- normalnie
- notatnik
- tępy
- of
- Oferty
- nieaktywny
- on
- ONE
- koncepcja
- działanie
- operacje
- Option
- Opcje
- OS
- Inne
- własny
- pakiet
- Pakiety
- strona
- chleb
- parametry
- wykonać
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- pozwolenie
- uprawnienia
- uporczywość
- osobisty
- Wybiera
- rurociąg
- Miejsce
- plato
- Analiza danych Platona
- PlatoDane
- możliwy
- Post
- mocny
- Praktyczny
- praktyki
- Korzystny
- przedstawione
- prezenty
- poprzednio
- problemy
- wygląda tak
- przetwarzanie
- produkować
- Produkcja
- wydajność
- Profil
- profile
- Programowanie
- języki programowania
- zapewniać
- pod warunkiem,
- zapewnia
- publiczny
- Naciskać
- Popychanie
- Python
- płomień
- szybko
- zasięg
- Kurs
- raczej
- stosunek
- Prawdziwy świat
- niedawno
- rozpoznaje
- polecić
- Zalecana
- relacje
- składnica
- wymagać
- wymagany
- wymaganie
- wymagania
- Wymaga
- Zasób
- Zasoby
- Rola
- Trasa
- run
- bieganie
- sagemaker
- taki sam
- piaskownica
- Zapisz
- Skala
- scenariusze
- nauka
- Naukowiec
- Naukowcy
- skrypty
- Sdk
- Sekcja
- działy
- bezpieczeństwo
- wybrany
- wybór
- wrażliwy
- Usługi
- zestaw
- ustawienie
- ustawienie
- Share
- Powłoka
- powinien
- Targi
- pojedynczy
- powolny
- mały
- mniejszy
- So
- Miękki
- Tworzenie
- rozwoju oprogramowania
- rozwiązanie
- Rozwiązania
- ROZWIĄZANIA
- kilka
- Iskra
- specjalizujący się
- specyficzny
- stabilny
- standard
- początek
- rozpoczęty
- rozpocznie
- startup
- Startups
- Zestawienie sprzedaży
- Ewolucja krok po kroku
- Cel
- Nadal
- Stop
- przechowywanie
- sklep
- przechowywany
- bezpośredni
- studio
- taki
- odpowiedni
- wsparcie
- Wspierający
- Przełącznik
- stół
- Brać
- trwa
- Zespoły
- tech
- terminal
- test
- Testy
- że
- Połączenia
- ich
- Im
- Te
- czas
- do
- narzędzia
- Top
- Pociąg
- Trening
- zasadniczy
- Aktualizacja
- Stosowanie
- posługiwać się
- przypadek użycia
- Użytkownik
- Użytkownicy
- wersja
- przez
- Wirtualny
- Tom
- czekać
- solucja
- Droga..
- sieć
- usługi internetowe
- Web-based
- który
- Podczas
- KIM
- będzie
- w
- w ciągu
- bez
- Praca
- pracował
- pracujący
- działa
- lat
- You
- Twój
- zefirnet