详细内容或原文请订阅后点击阅览
使用 AWS CDK 应用 Amazon SageMaker Studio 生命周期配置
本篇文章是有关如何为您的 Amazon SageMaker Studio 域设置生命周期配置的分步指南。借助生命周期配置，系统管理员可以对其 SageMaker Studio 域及其用户应用自动控制。我们涵盖了 SageMaker Studio 的核心概念，并提供了如何将生命周期配置应用于 […] 的代码示例
来源:亚马逊云科技 _机器学习本博文是有关如何为 Amazon SageMaker Studio 域设置生命周期配置的分步指南。借助生命周期配置，系统管理员可以对其 SageMaker Studio 域及其用户应用自动控制。我们介绍了 SageMaker Studio 的核心概念，并提供了如何将生命周期配置应用于 SageMaker Studio 域的代码示例，以自动化诸如预安装库和自动关闭空闲内核等行为。
Amazon SageMaker StudioAmazon SageMaker Studio 是第一个专门为加速端到端机器学习 (ML) 开发而设计的集成开发环境 (IDE)。Amazon SageMaker Studio 提供了一个基于 Web 的可视化界面，数据科学家可以在其中创建专用工作区来执行准备数据以及构建、训练和部署模型所需的所有 ML 开发步骤。您可以创建多个 Amazon SageMaker 域，这些域定义具有专用数据存储、安全策略和网络配置的环境。有了域之后，您就可以创建域用户配置文件，这些配置文件可作为数据科学家以用户定义的最低权限进入工作区的访问点。数据科学家使用其域用户配置文件启动私有或共享的 Amazon SageMaker Studio 空间，以管理他们用于处理不同 ML 项目的 IDE 的存储和资源需求。
Amazon SageMaker 域 域用户配置文件 Amazon SageMaker Studio 空间 Amazon SageMaker Studio 生命周期配置 JupyterLab 代码编辑器 Amazon SageMaker 分发这些自动化可以大大减少与 ML 项目设置相关的开销，促进技术一致性，并节省与运行空闲实例相关的成本。SageMaker Studio 生命周期配置可以部署在两个不同的级别：域级别（域中的所有用户都会受到影响）或用户级别（仅特定用户受到影响）。