Images SageMaker AI Docker préconçues pour le deep learning

Amazon SageMaker AI 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 AI, consultez Chemins de registre Docker et exemple de code.

Utilisation du kit SageMaker AI Python SDK

Avec le kit SageMaker Python SDK, vous pouvez entraîner et déployer des modèles à l’aide de l’un de ces cadres de deep learning populaires. Pour obtenir des instructions sur l’installation et l’utilisation du kit SDK, consultez Kit Amazon SageMaker Python SDK. Le tableau suivant répertorie les cadres disponibles et les instructions sur la façon de les utiliser avec le kit SDK SageMaker Python :

Extension d’images Docker SageMaker AI préconçues

Vous pouvez personnaliser ces conteneurs prédéfinis ou les étendre selon vos besoins. Grâce à cette personnalisation, vous pouvez gérer toutes les exigences fonctionnelles supplémentaires pour votre algorithme ou modèle que l’image Docker SageMaker AI précréée ne prend pas en charge. Pour obtenir un exemple, consultez Peaufinage et déploiement d’un modèle BERTopic sur SageMaker AI 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 AI. Pour obtenir une vue d’ensemble du processus, consultez Importation de vos propres modèles MXNet ou TensorFlow pré-entraînés dans Amazon SageMaker. Ce didacticiel explique comment intégrer les artefacts du modèle entraîné dans SageMaker AI et les héberger sur un point de terminaison.