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. # SageMaker HyperPod Rezepte SageMaker HyperPod Amazon-Rezepte sind vorkonfigurierte Trainingspakete, die Ihnen helfen AWS , schnell mit dem Training und der Feinabstimmung öffentlich verfügbarer Basismodelle (FMs) aus verschiedenen Modellfamilien wie Llama, Mistral, Mixtral oder zu beginnen. DeepSeek Rezepte automatisieren den gesamten Trainingszyklus, einschließlich des Ladens von Datensätzen, der Anwendung verteilter Trainingstechniken und der Verwaltung von Checkpoints für eine schnellere Wiederherstellung nach Fehlern. SageMaker HyperPod Rezepte eignen sich besonders für Benutzer, die möglicherweise nicht über fundierte Kenntnisse im Bereich maschinelles Lernen verfügen, da sie einen Großteil der Komplexität, die mit dem Training großer Modelle verbunden ist, abstrahieren. Sie können Rezepte innerhalb von SageMaker HyperPod oder als SageMaker Trainingsjobs ausführen. Die folgenden Tabellen werden im SageMaker HyperPod GitHub Repository verwaltet und enthalten die aktuellsten Informationen zu den Modellen, die für das Vortraining und die Feinabstimmung unterstützt werden, zu den jeweiligen Rezepten und Startskripten, zu den unterstützten Instance-Typen und vielem mehr. + Die aktuelle Liste der unterstützten Modelle, Rezepte und Startskripte für das Training finden Sie in der [Vortraining-Tabelle](https://github.com/aws/sagemaker-hyperpod-recipes?tab=readme-ov-file#pre-training). + Die aktuelle Liste der unterstützten Modelle, Rezepte und Startskripte für die Feinabstimmung finden Sie in der [Feinabstimmungs-Tabelle](https://github.com/aws/sagemaker-hyperpod-recipes?tab=readme-ov-file#fine-tuning). Für SageMaker HyperPod Benutzer ergibt sich die Automatisierung durchgängiger Trainingsabläufe aus der Integration des Trainingsadapters mit SageMaker HyperPod Rezepten. Der Trainingsadapter basiert auf dem [ NeMo NVIDIA-Framework ](https://docs.nvidia.com/nemo-framework/user-guide/latest/overview.html) und dem [ Neuronx Distributed Training-Paket. ](https://awsdocs-neuron.readthedocs-hosted.com/en/latest/libraries/neuronx-distributed/index.html) Wenn Sie mit der Verwendung vertraut sind NeMo, ist der Vorgang zur Verwendung des Trainingsadapters derselbe. Der Trainingsadapter führt das Rezept auf Ihrem Cluster aus. ![Diagramm, SageMaker HyperPod das den Rezepturablauf zeigt. Ein „Rezept“ -Symbol oben wird in ein Feld „HyperPod Rezept-Launcher“ eingeblendet. Dieses Feld ist mit einem größeren Abschnitt mit der Bezeichnung „Cluster: Slurm, K8s, ...” verbunden, der drei GPU-Symbole mit zugehörigen Rezeptdateien enthält. Der untere Teil des Cluster-Bereichs ist mit „Train with HyperPod Training Adapter“ beschriftet.](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/sagemaker-hyperpod-recipes-overview.png) Sie können auch Ihr eigenes Modell trainieren, indem Sie Ihr eigenes benutzerdefiniertes Rezept definieren. Informationen zum Einstieg in ein Tutorial finden Sie unter [Lernprogramme](sagemaker-hyperpod-recipes-tutorials.md). **Topics** + [Lernprogramme](sagemaker-hyperpod-recipes-tutorials.md) + [Standardkonfigurationen](default-configurations.md) + [Cluster-specific Konfigurationen](cluster-specific-configurations.md) + [Überlegungen](cluster-specific-configurations-special-considerations.md) + [Erweiterte Einstellungen](cluster-specific-configurations-advanced-settings.md) + [Anhang](appendix.md)