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.

Vorgefertigte SageMaker AI-Docker-Images für Deep Learning

Amazon SageMaker AI bietet vorgefertigte Docker-Images, die Deep-Learning-Frameworks und andere Abhängigkeiten enthalten, die für Training und Inferenz benötigt werden. Eine vollständige Liste der vorgefertigten Docker-Images, die von SageMaker AI verwaltet werden, finden Sie unter Docker-Registrierungspfade und Beispielcode.

Verwenden des AI Python SDK SageMaker

Mit dem SageMaker Python-SDK können Sie Modelle mithilfe dieser beliebten Deep-Learning-Frameworks trainieren und bereitstellen. Anweisungen zur Installation und Verwendung des SDK finden Sie unter Amazon SageMaker Python SDK . In der folgenden Tabelle sind die verfügbaren Frameworks und Anweisungen zu ihrer Verwendung mit dem SageMaker Python-SDK aufgeführt:

Erweiterung vorgefertigter SageMaker AI-Docker-Images

Sie können diese vorgefertigten Container nach Bedarf anpassen oder erweitern. Mit dieser Anpassung können Sie alle zusätzlichen funktionalen Anforderungen an Ihren Algorithmus oder Ihr Modell erfüllen, die das vorgefertigte SageMaker AI-Docker-Image nicht unterstützt. Ein Beispiel dafür finden Sie unter Fine-tuning und implementieren Sie ein BerTopic-Modell auf SageMaker KI mit Ihren eigenen Skripten und Datensätzen, indem Sie vorhandene Container erweitern. PyTorch

Sie können auch vorgefertigte Container verwenden, um Ihre benutzerdefinierten Modelle oder Modelle bereitzustellen, die in einem anderen Framework als SageMaker KI trainiert wurden. Einen Überblick über den Prozess finden Sie unter Bring Your Own Pretrained MXNet oder TensorFlow Models into Amazon. SageMaker In diesem Tutorial geht es darum, die trainierten Modellartefakte in SageMaker KI zu integrieren und sie an einem Endpunkt zu hosten.