Pour configurer un cycle de vie, ouvrez le panneau Sagemaker et accédez à Configurations du cycle de vie sous la section Configurations d'administration.

Sélectionnez l'onglet Instance de bloc-notes et cliquez sur le bouton Créer une configuration

Collez le code ci-dessous dans la zone de saisie.

#!/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

Ce script exécute le Jupyter Notebook, qui gère le recyclage et le redéploiement du modèle pour l'inférence. Une fois l'exécution terminée, le notebook s'éteindra automatiquement dans les 5 minutes. Pour en savoir plus sur l'énoncé du problème et l'implémentation du code, veuillez vous référer à"Partie 2 - Exploiter Amazon FSx for NetApp ONTAP (FSx ONTAP) comme source de données pour la formation de modèles dans SageMaker" .

Après la création, accédez aux instances de Notebook, sélectionnez l'instance cible et cliquez sur Mettre à jour les paramètres sous la liste déroulante Actions.

Sélectionnez la Configuration du cycle de vie créée et cliquez sur Mettre à jour l'instance du bloc-notes.

Pour créer une fonction AWS Lambda, accédez au panneau correspondant, passez à l'onglet Fonctions et cliquez sur Créer une fonction.

Veuillez déposer toutes les entrées requises sur la page et n'oubliez pas de passer le Runtime à Python 3.10.

Veuillez vérifier que le rôle désigné dispose de l'autorisation requise AmazonSageMakerFullAccess et cliquez sur le bouton Créer une fonction.

Sélectionnez la fonction Lambda créée. Dans l’onglet code, copiez et collez le code suivant dans la zone de texte. Ce code démarre l'instance de notebook nommée 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}'
    }

Cliquez sur le bouton Déployer pour appliquer cette modification de code.

Pour spécifier comment déclencher cette fonction AWS Lambda, cliquez sur le bouton Ajouter un déclencheur.

Sélectionnez EventBridge dans le menu déroulant, puis cliquez sur le bouton radio intitulé Créer une nouvelle règle. Dans le champ d'expression de planification, saisissez rate(1 day) , et cliquez sur le bouton Ajouter pour créer et appliquer cette nouvelle règle de tâche cron à la fonction AWS Lambda.