Para configurar as configurações do ciclo de vida, abra o painel Sagemaker e navegue até Configurações do ciclo de vida na seção Configurações do administrador.

Selecione a guia Instância do notebook e clique no botão criar configuração

Cole o código abaixo na 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

Esse script executa o Jupyter notebook, que lida com o treinamento e a reimplantação do modelo para inferência. Após a conclusão da execução, o notebook será automaticamente encerrado em 5 minutos. Para saber mais sobre a declaração de problema e a implementação do código, "Parte 2 - aproveitando o Amazon FSX for NetApp ONTAP (FSX ONTAP) como fonte de dados para treinamento de modelo no SageMaker"consulte .

Após a criação, navegue até instâncias do notebook, selecione a instância de destino e clique em Atualizar configurações no menu suspenso ações.

Selecione a configuração Lifecycle criada e clique em Atualizar instância do notebook.

Para criar uma função do AWS Lambda, navegue até o respetivo painel, alterne para a guia funções e clique em criar função.

Por favor, arquive todas as entradas necessárias na página e lembre-se de mudar o Runtime para Python 3,10.

Verifique se a função designada tem a permissão necessária AmazonSageMakerFullAccess e clique no botão criar função.

Selecione a função Lambda criada. Na guia código, copie e cole o código a seguir na área de texto. Esse código inicia a instância do notebook chamada 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}'
    }

Clique no botão Deploy para aplicar esta alteração de código.

Para especificar como acionar esta função do AWS Lambda, clique no botão Adicionar acionador.

Selecione EventBridge no menu suspenso e clique no botão de opção chamado criar uma nova regra. No campo expressão de programação, digite rate(1 day) e clique no botão Adicionar para criar e aplicar essa nova regra de tarefa cron à função do AWS Lambda.