Adapter votre propre conteneur Docker pour qu'il fonctionne avec SageMaker

Vous pouvez adapter une image Docker existante pour qu'elle fonctionne avec SageMaker. Vous devrez peut-être utiliser une image Docker externe existante SageMaker lorsque vous avez un conteneur qui répond à des exigences de fonctionnalité ou de sécurité qui ne sont actuellement pas prises en charge par une image SageMaker prédéfinie. Il existe deux boîtes à outils qui vous permettent d'apporter votre propre contenant et de l'adapter pour qu'il fonctionne avec SageMaker :

• SageMaker Boîte à outils de formation

• SageMaker Boîte à outils d'inférence

Les rubriques suivantes montrent comment adapter votre image existante à l'aide des boîtes à outils d' SageMaker entraînement et d'inférence :

Rubriques

• Bibliothèques de cadres individuelles
• Utilisation des boîtes à SageMaker outils de formation et d'inférence
• Adaptation de votre propre conteneur d'entraînement
• Adaptation de votre propre conteneur d'inférence

Bibliothèques de cadres individuelles

Outre la boîte à outils de SageMaker formation et la boîte à outils d' SageMaker inférence, des boîtes à outils spécialisées pour TensorFlow MXnet et Chainer sont SageMaker également disponibles. PyTorch Le tableau suivant fournit des liens vers les GitHub référentiels qui contiennent le code source de chaque framework et leurs boîtes à outils de service respectives. Les instructions liées concernent l'utilisation du SDK Python pour exécuter des algorithmes d'entraînement et héberger des modèles sur SageMaker. Les fonctionnalités de ces bibliothèques individuelles sont incluses dans le kit de SageMaker formation et le kit SageMaker d'inférence.

Framework	Code source de boîte à outils
TensorFlow	SageMaker TensorFlow Entraînement SageMaker TensorFlow Servir
MXNet	SageMaker Formation MXnet SageMaker Inférence MXnet
PyTorch	SageMaker PyTorch Entraînement SageMaker PyTorch Inférence
Chainer	SageMaker Conteneurs Chainer SageMaker