Para configurar una configuración de ciclo de vida, abra el panel Sagemaker y vaya a Configuraciones de ciclo de vida en la sección Configuraciones de administración.

Seleccione la pestaña Instancia de bloc de notas y haga clic en el botón Crear configuración

Pegue el siguiente código en el área de entrada.

#!/bin/bash

set -e
sudo -u ec2-user -i <<'EOF'
# 1. Retraining and redeploying the model
NOTEBOOK_FILE=/home/ec2-user/SageMaker/tyre_quality_classification_local_training.ipynb
echo "Activating conda env"
source /home/ec2-user/anaconda3/bin/activate pytorch_p310
nohup jupyter nbconvert "$NOTEBOOK_FILE" --ExecutePreprocessor.kernel_name=python --execute --to notebook &
nbconvert_pid=$!
conda deactivate

# 2. Scheduling a job to shutdown the notebook to save the cost
PYTHON_DIR='/home/ec2-user/anaconda3/envs/JupyterSystemEnv/bin/python3.10'
echo "Starting the autostop script in cron"
(crontab -l 2>/dev/null; echo "*/5 * * * * bash -c 'if ps -p $nbconvert_pid > /dev/null; then echo \"Notebook is still running.\" >> /var/log/jupyter.log; else echo \"Notebook execution completed.\" >> /var/log/jupyter.log; $PYTHON_DIR -c \"import boto3;boto3.client(\'sagemaker\').stop_notebook_instance(NotebookInstanceName=get_notebook_name())\" >> /var/log/jupyter.log; fi'") | crontab -
EOF

Este script ejecuta el Jupyter Notebook, que se encarga del reciclaje y el redespliegue del modelo para la inferencia. Una vez finalizada la ejecución, el bloc de notas se apagará automáticamente en 5 minutos. Para obtener más información sobre la declaración del problema y la implementación del código, consulte "Parte 2: Aprovechamiento de AWS FSx para NetApp ONTAP (FSxN) como fuente de datos para el entrenamiento de modelos en SageMaker".

Después de la creación, navegue a Instancias de bloc de notas, seleccione la instancia de destino y haga clic en Actualizar configuración en el menú desplegable Acciones.

Seleccione la Configuración de ciclo de vida creada y haga clic en Actualizar instancia de bloc de notas.

Para crear una función AWS Lambda, navegue hasta el panel correspondiente, cambie a la pestaña Funciones y haga clic en Crear función.

Por favor, archiva todas las entradas requeridas en la página y recuerda cambiar el tiempo de ejecución a Python 3,10.

Verifique que el rol designado tiene el permiso requerido AmazonSageMakerFullAccess y haga clic en el botón Crear función.

Seleccione la función Lambda creada. En la pestaña de código, copie y pegue el siguiente código en el área de texto. Este código inicia la instancia de notebook llamada fsxn-ontap.

import boto3
import logging

def lambda_handler(event, context):
    client = boto3.client('sagemaker')
    logging.info('Invoking SageMaker')
    client.start_notebook_instance(NotebookInstanceName='fsxn-ontap')
    return {
        'statusCode': 200,
        'body': f'Starting notebook instance: {notebook_instance_name}'
    }

Haga clic en el botón Desplegar para aplicar este cambio de código.

Para especificar cómo activar esta función de AWS Lambda, haga clic en el botón Agregar Disparador.

Seleccione EventBridge en el menú desplegable y, a continuación, haga clic en el botón de opción con la etiqueta Crear una nueva regla. En el campo de expresión de programación, introduzca rate(1 day), Y haga clic en el botón Agregar para crear y aplicar esta nueva regla de trabajo cron a la función AWS Lambda.