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。
使用 Amazon 提供的机器学习环境 SageMaker
重要
Amazon SageMaker Studio 和 Amazon SageMaker Studio Classic 是你可以用来与之交互的两个机器学习环境 SageMaker。
如果您的域名是在 2023 年 11 月 30 日之后创建的，那么 Studio 将是您的默认体验。
如果您的域名是在 2023 年 11 月 30 日之前创建的，那么亚马逊 SageMaker Studio 经典版是您的默认体验。如果您的默认体验是亚马逊 SageMaker Studio Classic，则要使用 Studio，请参阅从亚马逊 SageMaker Studio 经典版迁移。
当您从 Amazon SageMaker Studio Classic 迁移到 Amazon SageMaker Studio 时，功能可用性不会受到影响。Studio Classic 还以 IDE 的形式存在于 Amazon SageMaker Studio 中，可帮助您运行传统的机器学习工作流程。
SageMaker 支持以下机器学习环境：
-
Amazon SageMaker Studio（推荐）：使用一套 IDE 运行机器学习工作流程的最新基于 Web 的体验。Studio 支持以下应用程序：
-
亚马逊 SageMaker Studio 经典版
-
代码编辑器，基于 Code-OSS，Visual Studio Code-开源
-
JupyterLab
-
亚马逊 SageMaker Canvas
-
RStudio
-
-
Amazon SageMaker Studio Classic：允许您构建、训练、调试、部署和监控您的机器学习模型。
-
Amazon SageMaker Notebook 实例：允许您从运行 Jupyter Notebook 应用程序的计算实例中准备和处理数据，训练和部署机器学习模型。
-
Amazon SageMaker Studio Lab：Studio Lab 是一项免费服务，您无需 Amazon 账户即可在基于开源的 JupyterLab环境中访问 Amazon 计算资源。
-
Amazon SageMaker Canvas：使您无需编写代码即可使用机器学习生成预测。
-
Amazon SageMaker 地理空间：使您能够构建、训练和部署地理空间模型。
-
亚马逊上的 RStud io SageMaker：RStudio 是一款适用于 R
的 IDE，具有控制台、支持直接执行代码的语法突出显示编辑器以及用于绘图、历史记录、调试和工作区管理的工具。 -
SageMaker HyperPod： SageMaker HyperPod 允许您为运行机器学习 (ML) 工作负载和开发大型语言 state-of-the-art模型 (LLM)、扩散模型和基础模型 (FM) 等模型配置弹性集群。
要使用这些机器学习环境，您或您的组织管理员必须创建一个 Amazon SageMaker 域。例外情况包括 Studio Lab、 SageMaker 笔记本实例和。 SageMaker HyperPod
您可以创建 Amazon DataZone 域名，而不必为自己和您的用户手动配置资源和管理权限。创建亚马逊 DataZone 域名的过程会为您的 ETL 工作流程创建带有 Amazon Glue 或 Amazon Redshift 数据库的相应亚马逊 SageMaker 域名。通过 Amazon 设置域 DataZone 可以减少为用户设置 SageMaker环境所需的时间。有关在亚马逊中设置亚马逊 SageMaker 域名的更多信息 DataZone，请参阅设置 SageMaker 资产（管理员指南）。
Amazon DataZone 域中的用户拥有所有亚马逊 SageMaker 操作的权限，但他们的权限仅限于亚马逊 DataZone 域内的资源。
创建 Amazon DataZone 域可以简化创建允许用户相互共享数据和模型的域名的流程。有关他们如何共享数据和模型的信息，请参阅使用 Amazon 资产创建和共享 SageMaker 资产。