Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# PyTorch Processeur Framework
<a name="processing-job-frameworks-pytorch"></a>

PyTorch est un framework d'apprentissage automatique open source. Le `PyTorchProcessor` SDK Amazon SageMaker Python vous permet d'exécuter des tâches de traitement à l'aide de PyTorch scripts. Lorsque vous utilisez le`PyTorchProcessor`, vous pouvez tirer parti d'un conteneur Amazon-built Docker avec un PyTorch environnement géré afin de ne pas avoir à apporter votre propre conteneur.

L'exemple de code suivant montre comment exécuter votre tâche de traitement à l'aide d'une image Docker fournie et gérée par SageMaker AI. Notez que lorsque vous exécutez la tâche, vous pouvez spécifier un répertoire contenant vos scripts et vos dépendances dans l'`source_dir`argument, et vous pouvez avoir un `requirements.txt` fichier situé dans votre `source_dir` répertoire qui spécifie les dépendances de vos scripts de traitement. SageMaker Le traitement installe les dépendances `requirements.txt` dans le conteneur pour vous.

Pour les PyTorch versions prises en charge par l' SageMaker IA, consultez les images disponibles du [ Deep Learning Container](https://github.com/aws/deep-learning-containers/blob/master/available_images.md).

```
from sagemaker.core.resources import ProcessingJob
from sagemaker.core.helper.session_helper import get_execution_role

# Create a processing job with a PyTorch container
processing_job = ProcessingJob.create(
    processing_job_name='frameworkprocessor-PT',
    role_arn=get_execution_role(),
    app_specification={
        "image_uri": "{{pytorch-processing-image-uri}}",
        "container_entrypoint": ["python3", "/opt/ml/processing/input/code/{{processing-script.py}}"]
    },
    processing_resources={
        "cluster_config": {"instance_count": 1, "instance_type": "ml.m5.xlarge", "volume_size_in_gb": 30}
    },
    processing_inputs=[
        {"input_name": "data", "s3_input": {"s3_uri": f"{{s3://{{BUCKET}}/{{S3_INPUT_PATH}}}}", "local_path": "/opt/ml/processing/input", "s3_data_type": "S3Prefix", "s3_input_mode": "File"}},
        {"input_name": "code", "s3_input": {"s3_uri": "{{s3://path/to/scripts/}}", "local_path": "/opt/ml/processing/input/code", "s3_data_type": "S3Prefix", "s3_input_mode": "File"}}
    ],
    processing_output_config={
        "outputs": [
            {"output_name": "data_structured", "s3_output": {"s3_uri": f"{{s3://{{BUCKET}}/{{S3_OUTPUT_PATH}}}}", "local_path": "/opt/ml/processing/tmp/data_structured", "s3_upload_mode": "EndOfJob"}},
            {"output_name": "train", "s3_output": {"s3_uri": f"{{s3://{{BUCKET}}/{{S3_OUTPUT_PATH}}}}", "local_path": "/opt/ml/processing/output/train", "s3_upload_mode": "EndOfJob"}},
            {"output_name": "validation", "s3_output": {"s3_uri": f"{{s3://{{BUCKET}}/{{S3_OUTPUT_PATH}}}}", "local_path": "/opt/ml/processing/output/val", "s3_upload_mode": "EndOfJob"}},
            {"output_name": "test", "s3_output": {"s3_uri": f"{{s3://{{BUCKET}}/{{S3_OUTPUT_PATH}}}}", "local_path": "/opt/ml/processing/output/test", "s3_upload_mode": "EndOfJob"}},
            {"output_name": "logs", "s3_output": {"s3_uri": f"{{s3://{{BUCKET}}/{{S3_OUTPUT_PATH}}}}", "local_path": "/opt/ml/processing/logs", "s3_upload_mode": "EndOfJob"}}
        ]
    }
)
```

Si vous avez un fichier `requirements.txt`, il doit s'agir d'une liste de bibliothèques que vous souhaitez installer dans le conteneur. Le chemin d'accès pour `source_dir` peut être un chemin d'accès relatif, absolu ou par URI Amazon S3. Toutefois, si vous utilisez un chemin d'accès par URI Amazon S3, celui-ci doit pointer vers un fichier tar.gz. Vous pouvez disposer de plusieurs scripts dans le répertoire que vous spécifiez pour `source_dir`. Pour en savoir plus sur la `PyTorchProcessor` classe, consultez [ PyTorch Estimator ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) dans le SDK * Amazon SageMaker Python. *