Images SageMaker Docker prédéfinies pour le deep learning

Amazon SageMaker fournit des images Docker prédéfinies qui incluent des frameworks d'apprentissage profond et d'autres dépendances nécessaires à la formation et à l'inférence. Pour une liste complète des images Docker prédéfinies gérées par SageMaker, voir Chemins de registre Docker et exemple de code.

Utilisation du SDK SageMaker Python

Avec le SDK SageMaker Python, vous pouvez entraîner et déployer des modèles à l'aide de ces frameworks d'apprentissage profond populaires. Pour obtenir des instructions sur l'installation et l'utilisation du SDK, consultez le SDK Amazon SageMaker Python. Le tableau suivant répertorie les frameworks disponibles et les instructions pour les utiliser avec le SDK SageMaker Python :

Framework	Instructions
TensorFlow	Utilisation TensorFlow avec le SDK SageMaker Python
MXNet	Utilisation de MXnet avec le SDK Python SageMaker
PyTorch	Utilisation PyTorch avec le SDK SageMaker Python
Chainer	Utilisation de Chainer avec le SDK SageMaker Python
Hugging Face	Utilisation de Hugging Face avec le SDK SageMaker Python

Extension des images SageMaker Docker prédéfinies

Vous pouvez personnaliser ces conteneurs prédéfinis ou les étendre selon vos besoins. Grâce à cette personnalisation, vous pouvez gérer toute exigence fonctionnelle supplémentaire pour votre algorithme ou modèle que l'image SageMaker Docker prédéfinie ne prend pas en charge. Pour un exemple, voir Affiner et déployer un modèle BERtopic SageMaker avec vos propres scripts et ensembles de données, en étendant les conteneurs existants PyTorch .

Vous pouvez également utiliser des conteneurs prédéfinis pour déployer vos modèles personnalisés ou des modèles formés dans un framework autre que SageMaker. Pour un aperçu du processus, consultez Bring Your Own Pretrained MXnet TensorFlow or Models into Amazon. SageMaker Ce didacticiel explique comment intégrer les artefacts du modèle entraîné SageMaker et les héberger sur un terminal.