体验全新升级的 Amazon SageMaker Studio 机器学习博客

体验全新升级的亚马逊 SageMaker Studio

key takeaways

关键要点

在 2019 年推出的亚马逊 SageMaker Studio 为所有端到端机器学习ML工作流程提供了一个集中平台，包括数据准备、建模与实验、训练、托管以及监控。随着我们不断创新以提升数据科学的生产力，令人兴奋的是，我们宣布了一项改进的 SageMaker Studio 体验，让用户可以选择自己喜好的管理 IDE，同时跨 IDE 访问 SageMaker Studio 的资源和工具。更新的用户体验UX让数据科学家、数据工程师以及 ML 工程师在 SageMaker Studio 内构建和训练模型时有了更多选择。作为一款网络应用，SageMaker Studio 改进了加载时间，加快了 IDE 和内核的启动速度，并提供了自动升级功能。

除了在亚马逊 SageMaker 上提供管理的 JupyterLab 和 RStudio，我们还推出了与 SageMaker Studio 兼容的管理版Visual Studio Code 开源版本CodeOSS。一旦用户选择代码编辑器并启用选定的计算和存储空间，他们可以充分利用 SageMaker 工具和亚马逊工具包，并与亚马逊 EMR、亚马逊 CodeWhisperer、GitHub 集成，用户还可以通过自定义镜像个性化环境。跟当前在 SageMaker 上使用 JupyterLab 和 RStudio 的体验一样，用户可以根据需要即时切换代码编辑器的计算。

最后，为了优化数据科学流程，我们避免了用户从控制台切换到亚马逊 SageMaker Studio 的需要，新增了在 SageMaker Studio 用户界面UI中查看训练作业和终端详细信息的功能，并能够查看所有正在运行的应用实例。此外，我们改进了 Jumpstart 基础模型FM体验，使用户能够快速发现、导入、注册、微调和部署 FM。

解决方案概述

启动 IDE

新版亚马逊 SageMaker Studio 的 JupyterLab 服务器已经更新，以提供更快的启动时间和更可靠的体验。SageMaker Studio 现在是一个多租户的网页应用，用户不仅可以启动 JupyterLab，还可以选择启动 Visual Studio Code 开源版本CodeOSS、RStudio 和 Canvas 作为管理应用。SageMaker Studio 的 UI 使用户能够以一致的方式访问和发现 SageMaker 资源和机器学习工具，例如作业、终端和管道，无论选择哪种 IDE。SageMaker Studio 包含一个默认的私有空间，只有您可以访问，并可以在 JupyterLab 或代码编辑器中运行。您还可以选择在 SageMaker Studio Classic 中创建一个新空间，该空间将与域中的所有用户共享。

强化的机器学习工作流程

通过新的互动体验，我们对亚马逊 SageMaker 中现有的机器学习工作流程进行了重大改进和简化。特别是在训练和托管模块中，提供了更直观的 UI 驱动体验，使用户能够创建新的作业和终端，并提供度量跟踪和监控接口。

训练

在亚马逊 SageMaker 上进行模型训练，用户可以通过 Studio Notebook 进行笔记本作业、专用训练作业或通过 SageMaker JumpStart 进行微调。借助增强的 UI 体验，您可以使用 Studio 训练面板跟踪过去和当前的训练作业。您还可以在特定训练作业之间切换，以了解性能、模型工件位置以及训练作业背后的硬件和超参数配置。用户界面也提供了一个灵活性，允许通过控制台启动和停止训练作业。

托管

亚马逊 SageMaker 同样提供了多种不同的托管选项，以便于在用户界面中部署模型。要创建 SageMaker 终端，您可以前往模型部分，利用现有模型或创建新的模型。此处，您可以使用单个模型来部署亚马逊 SageMaker 实时终端，或使用多个模型进行高级 SageMaker 托管选项。可选地，对于 FMs，您还可以利用亚马逊 SageMaker JumpStart 面板在可用 FMs 列表中切换，并通过 UI 进行微调或部署。

设置

更新的亚马逊 SageMaker Studio 体验将与亚马逊 SageMaker Studio Classic 体验同步推出。您可以试用新用户界面，并选择将更新的体验设置为新域和现有域的默认选项。文档 列出了从 SageMaker Studio Classic 迁移的步骤。

结论

在本文中，我们展示了新版亚马逊 SageMaker Studio 中的可用功能。通过更新的 SageMaker Studio 体验，用户现在可以选择由所选计算资源支持的首选 IDE，并在几秒钟内启动内核，同时通过 SageMaker Studio 网络应用访问 SageMaker 工具和资源。训练和终端详细信息的引入，以及改进的亚马逊 SageMaker Jumpstart 用户体验，为 SageMaker Studio 的 ML 步骤提供了无缝整合。立即开始使用 SageMaker Studio 这里。

关于作者

Mair Hasco 是亚马逊 SageMaker Studio 的 AI/ML 专家，她帮助客户优化机器学习工作负载。

Ram Vegiraju 是 SageMaker 服务团队的机器学习架构师，专注于帮助客户构建和优化他们的 AI/ML 解决方案。业余时间，他喜欢旅行和写作。

Lauren Mullennex 是 AWS 的高级 AI/ML 专家解决方案架构师，拥有十年的 DevOps、基础设施和机器学习经验。她还是一本计算机视觉书籍的作者，业余时间喜欢旅行和远足。

Khushboo Srivastava 是亚马逊 SageMaker 的高级产品经理。她喜欢开发简化机器学习工作流程的产品，并且喜爱与她一岁的小女儿游玩。