Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Gehen Sie mithilfe von Git Repos durch ein SageMaker KI-MLOps-Projekt Third-party
**Anmerkung**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis nun Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon Studio SageMaker](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist jedoch nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, Ihre Arbeitslast auf das neue Studio-Erlebnis zu [ migrieren](studio-updated-migrate.md).
In dieser exemplarischen Vorgehensweise wird anhand der Vorlage [MLOps-Vorlagen für die Modellerstellung, das Training und die Bereitstellung mit Git von Drittanbietern mithilfe von Git CodePipeline](sagemaker-projects-templates-sm.md#sagemaker-projects-templates-git-code-pipeline) veranschaulicht, wie MLOps-Projekte verwendet werden, um ein CI/CD System zum Erstellen, Trainieren und Bereitstellen von Modellen zu erstellen.
**Voraussetzungen**
Zum Abschließen dieser Vorgehensweise benötigen Sie:
+ Ein IAM oder IAM Identity Center-Konto, um sich bei Studio Classic anzumelden. Weitere Informationen finden Sie unter [Übersicht über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
+ Erlaubnis zur Verwendung von Projektvorlagen SageMaker AI-provided . Weitere Informationen finden Sie unter [Erteilen der SageMaker Studio-Berechtigungen, die für die Verwendung von Projekten erforderlich sind](sagemaker-projects-studio-updates.md).
+ Grundlegende Vertrautheit mit der Studio-Classic-Benutzeroberfläche. Weitere Informationen finden Sie unter [Überblick über die Benutzeroberfläche von Amazon SageMaker Studio Classic](studio-ui.md).
+ Zwei leere GitHub Repositorys. Sie geben diese Repositorys in die Projektvorlage ein, die diese Repos mit Modellerstellungs- und Bereitstellungscode versorgt.
**Topics**
+ [Schritt 1: Richten Sie die GitHub Verbindung ein](#sagemaker-proejcts-walkthrough-connect-3rdgit)
+ [Schritt 2: Erstellen des Projekts](#sagemaker-proejcts-walkthrough-create-3rdgit)
+ [Schritt 3: Nehmen Sie eine Änderung am Code vor](#sagemaker-projects-walkthrough-change-3rdgit)
+ [Schritt 4: Genehmigen des Modells](#sagemaker-proejcts-walkthrough-approve-3rdgit)
+ [(Optional) Schritt 5: Stellen Sie die Modellversion für die Produktion bereit](#sagemaker-projects-walkthrough-prod-3rdgit)
+ [Schritt 6: Bereinigen von Ressourcen](#sagemaker-projectcts-walkthrough-cleanup-3rdgit)
## Schritt 1: Richten Sie die GitHub Verbindung ein
In diesem Schritt stellst du über eine Verbindung eine [AWS CodeConnections Verbindung ](https://docs.aws.amazon.com/dtconsole/latest/userguide/welcome-connections.html) zu deinen GitHub Repositorys her. Das SageMaker AI-Projekt verwendet diese Verbindung, um auf Ihre Quellcode-Repositorys zuzugreifen.
**Um die GitHub Verbindung einzurichten:**
1. Loggen Sie sich in die CodePipeline Konsole ein unter [ https://console.aws.amazon.com/codepipeline/ ](https://console.aws.amazon.com/codepipeline/)
1. Wählen Sie im Navigationsbereich unter **Einstellungen** die Option **Verbindungen**.
1. Wählen Sie **Create Connection (Verbindung erstellen)** aus.
1. **Wählen Sie für Wählen Sie einen Anbieter ** aus ** GitHub**.
1. Geben Sie für **Verbindungsname** einen Namen ein.
1. Wählen Sie ** Verbinden mit GitHub**.
1. Wenn die AWS GitHub Connector-App noch nicht installiert wurde, wählen Sie Neue App ** installieren**.
Daraufhin wird eine Liste aller GitHub persönlichen Konten und Organisationen angezeigt, auf die Sie Zugriff haben.
1. Wählen Sie das Konto aus, für das Sie eine Verbindung zur Verwendung mit SageMaker Projekten und GitHub Repositorys herstellen möchten.
1. Wählen Sie **Konfigurieren** aus.
1. Sie können optional Ihre spezifischen Repositorys oder **Alle Repositorys** auswählen.
1. Wählen Sie **Speichern**. Wenn die App installiert ist, werden Sie zur GitHub ** Seite „**Verbinden mit“ weitergeleitet und die Installations-ID wird automatisch ausgefüllt.
1. Wählen Sie **Connect** aus.
1. Fügen Sie dieser CodeConnections Verbindung ein Tag mit dem Schlüssel `sagemaker` und `true` dem Wert hinzu.
1. Kopieren Sie den Verbindungs-ARN, um ihn für später zu speichern. Sie verwenden den ARN als Parameter im Schritt der Projekterstellung.
## Schritt 2: Erstellen des Projekts
In diesem Schritt erstellen Sie ein SageMaker KI-MLOps-Projekt, indem Sie mithilfe einer SageMaker AI-provided Projektvorlage Modelle erstellen, trainieren und bereitstellen.
**Um das SageMaker AI-MLOps-Projekt zu erstellen**
1. Melden Sie sich bei Studio an. Weitere Informationen finden Sie unter [Übersicht über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
1. Wählen Sie in der Studio-Seitenleiste das **Home**-Symbol ( ).
1. Wählen Sie im Menü **Bereitstellungen** und dann **Projekte** aus.
1. Wählen Sie **Create project** (Projekt erstellen) aus.
Die Registerkarte **Projekt erstellen** wird angezeigt.
1. Wählen Sie für ** SageMaker KI-Projektvorlagen ** die Option ** Modellbildung, Training und Bereitstellung mithilfe von Git-Repositorys von Drittanbietern aus. CodePipeline **
1. Wählen Sie **Weiter** aus.
1. Geben Sie unter ** ModelBuild CodeRepository Info ** die folgenden Parameter an:
+ Geben Sie für **Branch** den Branch ein, der aus Ihrem Git-Repository für Pipeline-Aktivitäten verwendet werden soll.
+ Geben Sie für den ** vollständigen Repository-Namen ** den Namen des Git-Repositorys im Format von {{username/repository name}} oder ein{{organization/repository name}}.
+ Geben Sie für ** Code Connection ARN den ARN der CodeConnections Verbindung ein**, die Sie in Schritt 1 erstellt haben.
1. Geben Sie ** unter ** ModelDeploy CodeRepository Info die folgenden Parameter an:
+ Geben Sie für **Branch** den Branch ein, der aus Ihrem Git-Repository für Pipeline-Aktivitäten verwendet werden soll.
+ Geben Sie für den ** vollständigen Repository-Namen ** den Namen des Git-Repositorys im Format von {{username/repository name}} oder ein{{organization/repository name}}.
+ Geben Sie für ** Code Connection ARN den ARN der CodeConnections Verbindung ein**, die Sie in Schritt 1 erstellt haben.
1. Wählen Sie **Projekt erstellen** aus.
Das Projekt wird in der **Projekt**-Liste mit dem **Status** **Erstellt** angezeigt.
## Schritt 3: Nehmen Sie eine Änderung am Code vor
Nehmen Sie nun eine Änderung am Pipeline-Code vor, der das Modell erstellt, und übernehmen Sie die Änderung, um einen neuen Pipeline-Lauf zu initiieren. Der Pipeline-Lauf registriert eine neue Modellversion.
**Um eine Codeänderung vorzunehmen**
1. Navigieren Sie in Ihrem GitHub Model-Build-Repo zu dem `pipelines/abalone` Ordner. Double-click`pipeline.py`um die Codedatei zu öffnen.
1. Suchen Sie in der `pipeline.py` Datei nach der Zeile, die den Typ der Trainings-Instance festlegt.
```
training_instance_type = ParameterString(
name="TrainingInstanceType", default_value="ml.m5.xlarge"
```
Öffnen Sie die Datei zur Bearbeitung, ändern Sie `ml.m5.xlarge` zu `ml.m5.large`, und bestätigen Sie sie.
Nachdem Sie Ihre Codeänderung übernommen haben, initiiert das MLOps-System eine Ausführung der Pipeline, die eine neue Modellversion erstellt. Im nächsten Schritt genehmigen Sie die neue Modellversion, um sie für die Produktion bereitzustellen.
## Schritt 4: Genehmigen des Modells
Jetzt genehmigen Sie die neue Modellversion, die im vorherigen Schritt erstellt wurde, um eine Bereitstellung der Modellversion auf einem SageMaker KI-Endpunkt zu initiieren.
**Um die Modellversion zu genehmigen**
1. Wählen Sie in der Studio-Classic Seitenleiste das Symbol **Home** () aus.
1. Wählen Sie im Menü **Bereitstellungen** und dann **Projekte** aus.
1. Suchen Sie den Namen des Projekts, das Sie im ersten Schritt erstellt haben, und doppelklicken Sie darauf, um die Projekt-Registerkarte für Ihr Projekt zu öffnen.
1. Wählen Sie auf der Projektregisterkarte **Modellgruppen** aus und doppelklicken Sie dann auf den Namen der Modellgruppe, die angezeigt wird.
Die Registerkarte Modellgruppe wird angezeigt.
1. Doppelklicken Sie auf der Registerkarte Modellgruppe auf **Version 1**. Die Registerkarte **Version 1** wird geöffnet. Wählen Sie **Status aktualisieren**.
1. Wählen Sie im Dialogfeld **Modellversionsstatus aktualisieren** in der Dropdown-Liste **Status** die Option **Genehmigen** und dann **Status aktualisieren** aus.
Durch die Genehmigung der Modellversion wird das Modell vom MLOps-System für die Staging-Bereitstellung bereitgestellt. Um den Endpunkt anzuzeigen, wählen Sie auf der Projektregisterkarte die Registerkarte **Endpunkte** aus.
## (Optional) Schritt 5: Stellen Sie die Modellversion für die Produktion bereit
Jetzt können Sie die Modellversion in der Produktionsumgebung bereitstellen.
**Anmerkung**
Um diesen Schritt abschließen zu können, müssen Sie Administrator in Ihrer Studio-Classic-Domain sein. Wenn Sie kein Administrator sind, überspringen Sie diesen Schritt.
**Um die Modellversion in der Produktionsumgebung bereitzustellen**
1. Melden Sie sich bei der CodePipeline Konsole unter an [ https://console.aws.amazon.com/codepipeline/ ](https://console.aws.amazon.com/codepipeline/)
1. Wählen Sie ** Pipelines ** und dann die Pipeline mit dem Namen ** sagemaker- {{projectname}} - {{projectid}} -modeldeploy ** aus. Dabei {{projectname}} steht der Name Ihres Projekts und {{projectid}} die ID Ihres Projekts.
1. Wählen Sie in der ** DeployStaging ** Phase Review aus. ** **
1. Wählen Sie im Dialogfeld **Prüfen** die Option **Genehmigen** aus.
Die Genehmigung der ** DeployStaging ** Phase veranlasst das MLOps-System, das Modell für die Produktion bereitzustellen. Um den Endpunkt anzuzeigen, wählen Sie in Studio Classic auf der Projektregisterkarte die Registerkarte **Endpunkte** aus.
## Schritt 6: Bereinigen von Ressourcen
Bereinigen Sie die Ressourcen, die in dieser Vorgehensweise erstellt wurden, damit keine Gebühren mehr anfallen.
**Anmerkung**
Um den CloudFormation Stack und den Amazon S3-Bucket zu löschen, müssen Sie Administrator in Studio Classic sein. Wenn Sie kein Administrator sind, bitten Sie Ihren Administrator, diese Schritte auszuführen.
1. Wählen Sie in der Studio-Classic Seitenleiste das Symbol **Home** () aus.
1. Wählen Sie im Menü **Bereitstellungen** und dann **Projekte** aus.
1. Wählen Sie das Zielprojekt aus der Dropdown-Liste aus. Wenn Sie Ihr Projekt nicht sehen, geben Sie den Projektnamen ein und wenden Sie den Filter an, um Ihr Projekt zu finden.
1. Wählen Sie Ihr Projekt aus, um die Details im Hauptbereich anzuzeigen.
1. Wählen Sie im Menü **Aktionen** die Option **Löschen** aus.
1. Bestätigen Sie Ihre Auswahl, indem Sie im Fenster **Projekt löschen** die Option **Löschen** wählen.
Dadurch wird das von Service Catalog bereitgestellte Produkt gelöscht, das das Projekt erstellt hat. Dazu gehören die CodeCommit, und CodeBuild Ressourcen CodePipeline, die für das Projekt erstellt wurden.
1. Löschen Sie die CloudFormation Stapel, die das Projekt erstellt hat. Es gibt zwei Stacks, einen für das Staging und einen für die Produktion. Die Namen der Stacks sind ** sagemaker- {{projectname}} - {{project-id}} -deploy-staging ** und ** sagemaker- {{projectname}} - {{project-id}} -deploy-prod**, wobei der Name Ihres Projekts und die ID {{projectname}} Ihres Projekts ist. {{project-id}}
Informationen zum Löschen eines Stacks finden Sie im Benutzerhandbuch unter [ Löschen eines CloudFormation Stacks auf der Konsole. CloudFormation](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/cfn-console-delete-stack.html) *CloudFormation *
1. Löschen Sie den Amazon-S3-Bucket, den das Projekt erstellt hat. Der Name des Buckets ist ** sagemaker-project- {{project-id}}**, wobei die ID Ihres Projekts {{project-id}} ist.