Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Images SageMaker Docker préconçues pour le deep learning
Amazon SageMaker fournit des images Docker préconçues qui incluent des cadres de deep learning et d'autres dépendances nécessaires pour l'entraînement et l'inférence. Pour obtenir la liste complète des images Docker préconçues gérées par SageMaker, consultez Chemins de registre Docker et exemple de code.
Utilisation du kit SDK SageMaker Python
Avec le kit SDK SageMaker Python
Cadre | Instructions |
---|---|
TensorFlow |
|
MXNet |
|
PyTorch |
|
Chainer |
|
Hugging Face |
Utilisation de Hugging Face avec le kit SDK Python pour SageMaker |
Extension d'images Docker SageMaker préconçues
Vous pouvez personnaliser ces conteneurs préconçus ou les étendre afin de gérer toutes les exigences fonctionnelles supplémentaires pour votre algorithme ou modèle non prises en charge par l'image Docker SageMaker préconçue. Pour obtenir un exemple, consultez Affinage et déploiement d'un modèle BERTopic sur SageMaker avec vos propres scripts et jeu de données, en étendant les conteneurs PyTorch existants
Vous pouvez utiliser des conteneurs préconçus pour déployer vos modèles personnalisés ou des modèles qui ont été entraînés dans un autre cadre que SageMaker. Pour obtenir une présentation du processus d'importation des artefacts du modèle entraîné dans SageMaker et leur hébergement au niveau d'un point de terminaison, veuillez consulter Bring your own pre-trained MXNet or TensorFlow models into Amazon SageMaker (Importer ses propres modèles MXNet ou TensorFlow préentraînés dans Amazon SageMaker).