本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
SageMaker 笔记本职位
您可以使用 Amazon SageMaker 在任何环境中通过 Jupyter 笔记本以交互方式构建、训练和部署机器学习模型。 JupyterLab 但是，在许多场景中，您可能希望将笔记本作为非交互式计划作业运行。例如，您可能想要创建定期审计报告，以分析在特定时间范围内运行的所有训练作业，并分析将这些模型部署到生产环境中所带来的业务价值。或者，在对一小部分数据子集进行数据转换逻辑测试后，您可能想扩展特征工程作业。其他常见使用案例包括：
-
计划作业以进行模型偏差监控
-
探索参数空间以获得更好的模型
在这些场景中，您可以使用 SageMaker Notebook Job SageMaker s 创建非交互式作业（作为基础训练作业运行），该作业可以按需运行，也可以按计划运行。 SageMaker Notebook Jobs 提供了直观的用户界面，因此您可以 JupyterLab 通过选择笔记本中的 “笔记本作业” 控件 (
) 直接安排作业。您还可以使用 SageMaker Python SDK 安排作业，它提供了在工作流工作流程中安排多个笔记本作业的灵活性。您可以并行运行多个笔记本，并对笔记本中的单元格进行参数化以自定义输入参数。
此功能利用了 Amazon EventBridge、Tra SageMaker ining 和 SageMaker Pipelines 服务，可在以下任何环境下的 Jupyter 笔记本中使用：
-
Studio、Studio 实验室、Studio 经典版或笔记本
-
本地设置，例如您运行的本地计算机 JupyterLab
先决条件
要计划笔记本作业，请确保满足以下条件：
-
确保您的 Jupyter 笔记本以及所有初始化或启动脚本在代码和软件包方面都是独立的。否则，您的非交互式作业可能会出现错误。
-
查看约束和注意事项以确保正确配置了 Jupyter 笔记本、网络设置和容器设置。
-
确保您的笔记本可以访问所需的外部资源，如 Amazon EMR 集群。
-
如果您正在本地 Jupyter 笔记本中设置笔记本作业，请完成安装。有关说明，请参阅安装指南。
-
如果您在笔记本中连接到 Amazon EMR 集群，并且希望对 Amazon EMR 连接命令进行参数化，则必须应用一种解决方法，使用环境变量来传递参数。有关更多信息，请参阅 从您的笔记本电脑连接到 Amazon EMR 集群。
-
如果您使用 Kerberos、LDAP 或 HTTP 基本身份验证连接到 Amazon EMR 集群，则必须使用将您的安全证书传递 Amazon Secrets Manager 给您的 Amazon EMR 连接命令。有关更多信息，请参阅 从您的笔记本电脑连接到 Amazon EMR 集群。
-
（可选）如果您想让 UI 预加载脚本以在笔记本启动时运行，则您的管理员必须使用生命周期配置 (LCC) 进行安装。有关如何使用 LCC 脚本的信息，请参阅使用生命周期配置脚本自定义笔记本实例。