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。 # JupyterLab 用户指南 本指南向 JupyterLab 用户展示了如何在 SageMaker Studio 中运行分析和机器学习工作流程。您可以获得快速存储，并根据自己的需要扩大或缩小计算规模。 JupyterLab 支持私有空间和共享空间。专用空间的作用域为域中的单个用户。共享空间可让域内其他用户与您实时协作。有关 Studio 空间的信息，请参阅 [亚马逊 SageMaker Studio 空间](studio-updated-spaces.md)。 要开始使用 JupyterLab，请创建一个空间并启动您的 JupyterLab应用程序。运行 JupyterLab 应用程序的 JupyterLab 空间是一个空间。该 JupyterLab 空间使用单个 Amazon EC2 实例进行计算，使用单个 Amazon EBS 卷进行存储。您空间中的所有内容，如代码、git 配置文件和环境变量，都存储在同一个 Amazon EBS 卷上。该卷具有 3000 IOPS，吞吐量为每秒 125 兆字节 ()。MBps您可以使用快速存储在同一实例上打开和运行多个 Jupyter Notebook。您还可以在笔记本中快速切换内核。 您的管理员已为您的空间配置了默认 Amazon EBS 存储设置。默认存储容量为 5 GB，但您可以增加获得的空间。您可以向管理员咨询，他们会为您提供指导。 您可以切换用于运行的 Amazon EC2 实例类型 JupyterLab，根据需要向上或向下扩展计算规模。**快速启动**实例的启动速度比其他实例快得多。 管理员可能会为您提供可自定义环境的生命周期配置。您可以在创建空间时指定生命周期配置。 如果您的管理员授予您访问 Amazon EFS 的权限，则可以配置您的 JupyterLab空间来访问它。 默认情况下， JupyterLab 应用程序使用 SageMaker 分发映像。这包括对许多机器学习、分析和深度学习软件包的支持。不过，如果您需要自定义映像，您的管理员可以帮助您访问自定义映像。 Amazon EBS 卷的持久性与实例的生命周期无关。您在更换实例时不会丢失数据。使用 conda 和 pip 软件包管理库创建可重现的自定义环境，即使切换实例类型也能保持不变。 打开后 JupyterLab，您可以使用终端配置您的环境。要打开终端，请导航至**启动器**，然后选择**终端**。 以下是您可以在中配置环境的不同方法的示例 JupyterLab。 **注意** 在 Studio 中，您可以使用生命周期配置来自定义环境，但我们建议您使用软件包管理器。使用生命周期配置是一种更容易出错的方法。添加或删除依赖关系比调试生命周期配置脚本更容易。它还可以增加 JupyterLab 启动时间。 有关生命周期配置的信息，请参阅 [生命周期配置 JupyterLab](jl-lcc.md)。 **Topics** + [创建空间](studio-updated-jl-user-guide-create-space.md) + [配置空间](studio-updated-jl-user-guide-configure-space.md) + [使用软件包管理器自定义环境](studio-updated-jl-user-guide-customize-package-manager.md) + [清理 conda 环境](studio-updated-jl-clean-up-conda.md) + [在实例类型之间共享 conda 环境](studio-updated-jl-create-conda-share-environment.md) + [使用 Amazon Q 加快机器学习工作流程](studio-updated-jl-user-guide-use-amazon-q.md)