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 KI-Docker-Images für Deep Learning
<a name="pre-built-containers-frameworks-deep-learning"></a>

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](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths.html) und Beispielcode.

## Verwenden des SageMaker KI-Python-SDK
<a name="pre-built-containers-frameworks-deep-learning-sdk"></a>

Mit dem [SageMaker Python-SDK](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk) können Sie Modelle mit diesen beliebten Deep-Learning-Frameworks trainieren und bereitstellen. Anweisungen zur Installation und Verwendung des SDK finden Sie unter [https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk). In der folgenden Tabelle sind die verfügbaren Frameworks und Anweisungen zu ihrer Verwendung mit dem [SageMaker Python-SDK](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk) aufgeführt:


| Framework | Anleitungen | 
| --- | --- | 
| TensorFlow | [Verwendung TensorFlow mit dem SageMaker Python-SDK](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/using_tf.html) | 
| MXNet | [Verwendung MXNet mit dem SageMaker Python-SDK](https://sagemaker.readthedocs.io/en/stable/frameworks/mxnet/using_mxnet.html) | 
| PyTorch | [Verwendung PyTorch mit dem SageMaker Python-SDK](https://sagemaker.readthedocs.io/en/stable/frameworks/pytorch/using_pytorch.html) | 
| Chainer | [Chainer mit dem SageMaker Python SDK verwenden](https://sagemaker.readthedocs.io/en/stable/frameworks/chainer/using_chainer.html) | 
| Hugging Face | [Hugging Face mit dem Python-SDK verwenden SageMaker ](https://sagemaker.readthedocs.io/en/stable/frameworks/huggingface/index.html) | 

## Erweiterung vorgefertigter KI-Docker-Images SageMaker
<a name="pre-built-containers-frameworks-deep-learning-adapt"></a>

Sie können diese vorgefertigten Container nach Bedarf anpassen oder erweitern. Mit dieser Anpassung können Sie alle zusätzlichen funktionalen Anforderungen für Ihren Algorithmus oder Ihr Modell erfüllen, die das vorgefertigte SageMaker KI-Docker-Image nicht unterstützt. Ein Beispiel hierfür finden Sie unter [Feinabstimmung und Bereitstellung eines BERTopic Modells auf SageMaker KI mit Ihren eigenen Skripten und Datensätzen durch Erweiterung vorhandener](https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.html) Container. 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 or TensorFlow Models into Amazon SageMaker](https://aws.amazon.com/blogs/machine-learning/bring-your-own-pre-trained-mxnet-or-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.