Команды машинного обучения (ML) нуждаются в гибкости при выборе интегрированной среды разработки (IDE) при работе над проектом. Это позволяет вам продуктивно работать с разработчиками и быстро внедрять инновации. Вы даже можете использовать несколько IDE в рамках проекта. Создатель мудреца Амазонки позволяет командам машинного обучения работать в полностью управляемых облачных средах внутри Студия Amazon SageMaker, Экземпляры ноутбуков SageMaker, или с вашего локального компьютера с помощью локальный режим.
SageMaker предоставляет Jupyter и RStudio возможность одним щелчком мыши создавать, обучать, отлаживать, развертывать и отслеживать модели машинного обучения. В этом посте мы также поделимся Решение для хостинга код-сервер на Sage Maker.
С кодовым сервером пользователи могут запускать Код VS на удаленных машинах и получить доступ к нему в веб-браузере. Для групп машинного обучения размещение кода-сервера в SageMaker обеспечивает минимальные изменения в локальном опыте разработки и позволяет писать код из любого места на масштабируемых облачных вычислениях. С VS Code вы также можете использовать встроенные среды Conda с оптимизированными для AWS TensorFlow и PyTorch, управляемыми репозиториями Git, локальным режимом и другими функциями, предоставляемыми SageMaker для ускорения доставки. Для ИТ-администраторов это позволяет стандартизировать и ускорить предоставление управляемых безопасных IDE в облаке, чтобы быстро подключить и задействовать команды машинного обучения в своих проектах.
Обзор решения
В этом посте мы рассмотрим установку как для сред Studio (вариант A), так и для экземпляров ноутбука (вариант B). Для каждого варианта мы проходим процесс установки вручную, который команды машинного обучения могут запускать в своей среде, и автоматическую установку, которую ИТ-администраторы могут настроить для них через Интерфейс командной строки AWS (Интерфейс командной строки AWS).
На следующей диаграмме показан обзор архитектуры для размещения сервера кода в SageMaker.
Наше решение ускоряет установку и настройку code-server в вашей среде. Он работает как для JupyterLab 3 (рекомендуется), так и для JupyterLab 1, которые работают в экземплярах блокнота Studio и SageMaker. Он состоит из сценариев оболочки, которые выполняют следующие действия в зависимости от параметра.
Для Studio (вариант A) сценарий оболочки делает следующее:
Для экземпляров блокнота SageMaker (вариант B) сценарий оболочки выполняет следующие действия:
- Устанавливает код-сервер.
- Добавляет ярлык сервера кода в меню файла блокнота Jupyter и средство запуска JupyterLab для быстрого доступа к IDE.
- Создает выделенную среду Conda для управления зависимостями.
- Устанавливает Питон и Docker расширения в IDE.
В следующих разделах мы рассмотрим процесс установки решения для вариантов A и B. Убедитесь, что у вас есть доступ к Studio или экземпляру Notebook.
Вариант A: Хост-сервер кода в Studio
Чтобы разместить код-сервер в Studio, выполните следующие действия:
- Выберите Системный терминал в панели запуска Studio.
- Чтобы установить решение code-server, выполните следующие команды в системном терминале:
Выполнение команд должно занять несколько секунд.
- Перезагрузите страницу браузера, где вы можете увидеть Кодовый сервер кнопку в панели запуска Studio.
- Выберите Кодовый сервер чтобы открыть новую вкладку браузера, позволяющую получить доступ к серверу кодов из вашего браузера.
Расширение Python уже установлено, и вы можете приступить к работе над своим проектом машинного обучения.
Вы можете открыть папку своего проекта в VS Code и выбрать предварительно созданную среду Conda для запуска сценариев Python.
Автоматизируйте установку кодового сервера для пользователей в домене Studio.
Как ИТ-администратор, вы можете автоматизировать установку для пользователей Studio с помощью конфигурация жизненного цикла. Это можно сделать для всех профилей пользователей в домене Studio или для определенных. Видеть Настройте Amazon SageMaker Studio с помощью конфигураций жизненного цикла Больше подробностей.
Для этого поста мы создаем конфигурацию жизненного цикла из установка-codeserver script и прикрепите его к существующему домену Studio. Установка выполняется для всех профилей пользователей в домене.
В терминале с настроенным интерфейсом командной строки AWS и соответствующими разрешениями выполните следующие команды:
После перезапуска Jupyter Server Кодовый сервер появится в панели запуска Studio.
Вариант Б. Разместите код-сервер на экземпляре ноутбука SageMaker.
Чтобы разместить код-сервер на экземпляре ноутбука SageMaker, выполните следующие действия:
- Запустите терминал через Jupyter или JupyterLab для своего экземпляра ноутбука.
Если вы используете Jupyter, выберите Терминал на Новые .
- Чтобы установить решение code-server, выполните в терминале следующие команды:
Установки сервера кодов и расширений сохраняются на экземпляре ноутбука. Однако, если вы остановите или перезапустите экземпляр, вам потребуется выполнить следующую команду, чтобы перенастроить код-сервер:
sudo ./setup-codeserver.shКоманды должны выполняться в течение нескольких секунд. Вы можете закрыть вкладку терминала, когда увидите следующее.
- Теперь перезагрузите страницу Jupyter и проверьте Новые снова меню.
Ассоциация Кодовый сервер Теперь опция должна быть доступна.
Вы также можете запустить код-сервер из JupyterLab с помощью специальной кнопки запуска, как показано на следующем снимке экрана.
Выбор Кодовый сервер откроет новую вкладку браузера, что позволит вам получить доступ к код-серверу из вашего браузера. Расширения Python и Docker уже установлены, и вы можете приступить к работе в своем проекте машинного обучения.
Автоматизируйте установку сервера кодов на экземпляре ноутбука.
Как ИТ-администратор, вы можете автоматизировать установку сервера кодов с помощью конфигурация жизненного цикла запускаемый при создании экземпляра, и автоматизируйте настройку, запустив один при запуске экземпляра.
Здесь мы создаем пример экземпляра ноутбука и конфигурации жизненного цикла, используя Интерфейс командной строки AWS, on-create конфиг работает установка-codeserverи on-start работает установка-codeserver.
В терминале с настроенным интерфейсом командной строки AWS и соответствующими разрешениями выполните следующие команды:
Установка сервера кода теперь автоматизирована для экземпляра ноутбука.
Заключение
Доступно код-сервер размещенные в SageMaker, команды машинного обучения могут запускать VS Code на масштабируемых облачных вычислениях, кодировать из любого места и ускорять реализацию своих проектов машинного обучения. ИТ-администраторам это позволяет стандартизировать и ускорить предоставление управляемых безопасных IDE в облаке, чтобы быстро подключить и задействовать команды машинного обучения в своих проектах.
В этом посте мы поделились решением, которое вы можете использовать для быстрой установки сервера кодов как на экземплярах Studio, так и на экземплярах Notebook. Мы поделились процессом ручной установки, который команды машинного обучения могут запустить самостоятельно, и автоматической установкой, которую могут настроить для них ИТ-администраторы.
Чтобы продолжить обучение, посетите AWSome SageMaker на GitHub, чтобы найти все актуальные и актуальные ресурсы, необходимые для работы с SageMaker.
Об авторах
Джузеппе Анджело Порчелли является главным специалистом по машинному обучению, архитектором решений для Amazon Web Services. Имея опыт разработки программного обеспечения в области машинного обучения в течение нескольких лет, он работает с клиентами любого размера, чтобы глубоко понять их бизнес и технические потребности и разработать решения для искусственного интеллекта и машинного обучения, которые наилучшим образом используют облако AWS и стек машинного обучения Amazon. Он работал над проектами в различных областях, включая MLOps, Computer Vision, NLP, а также с широким набором сервисов AWS. В свободное время Джузеппе любит играть в футбол.
Софиан Хамити является специалистом по архитектуре решений AI / ML в AWS. Он помогает клиентам из разных отраслей ускорить переход на ИИ / МО, помогая им создавать и вводить в действие комплексные решения машинного обучения.
Эрик Пенья является старшим техническим менеджером по продуктам в группе платформ искусственного интеллекта AWS, работает над интерактивным машинным обучением Amazon SageMaker. В настоящее время он занимается интеграцией IDE в SageMaker Studio. Он получил степень магистра делового администрирования в Массачусетском технологическом институте Слоана и помимо работы любит играть в баскетбол и футбол.
- Продвинутый (300)
- AI
- ай искусство
- генератор искусств ай
- искусственный интеллект
- Амазонское машинное обучение
- Создатель мудреца Амазонки
- искусственный интеллект
- сертификация искусственного интеллекта
- искусственный интеллект в банковском деле
- робот с искусственным интеллектом
- роботы с искусственным интеллектом
- программное обеспечение искусственного интеллекта
- Машинное обучение AWS
- блокчейн
- конференция по блокчейну
- Coingenius
- разговорный искусственный интеллект
- криптоконференция ИИ
- дал-и
- глубокое обучение
- google ai
- обучение с помощью машины
- Платон
- Платон Ай
- Платон Интеллектуальные данные
- Платон игра
- ПлатонДанные
- платогейминг
- масштаб ай
- синтаксис
- зефирнет
