As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Recursos para usar o Hugging Face com a Amazon AI SageMaker
<a name="hugging-face"></a>

A Amazon SageMaker AI permite que os clientes treinem, ajustem e executem inferências usando modelos Hugging Face para Processamento de Linguagem Natural (NLP) em IA. SageMaker Você pode usar Hugging Face tanto para treinamento como para inferência. A seção a seguir fornece informações sobre os modelos Hugging Face e inclui material de referência que você pode usar para aprender a usar o Hugging Face com IA. SageMaker 

Essa funcionalidade está disponível por meio do desenvolvimento dos [AWS Contêiner de Aprendizado Profundo](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/what-is-dlc.html) do Hugging Face. Esses contêineres incluem Transformadores, Tokenizers e a biblioteca de banco de dados do Hugging Face, que permite que você use esses recursos para seus trabalhos de treinamento e inferência. Para obter uma lista completa das imagens dos Contêiner de Aprendizado Profundo disponíveis, consulte [Imagens dos Contêiner de Aprendizado Profundo disponíveis](https://github.com/aws/deep-learning-containers/blob/master/available_images.md). Essas imagens dos Contêiner de Aprendizado Profundo são mantidas e atualizadas regularmente com patches de segurança.

[Para usar os Hugging Face Deep Learning Containers com o SageMaker Python SDK para treinamento, consulte o Hugging Face AI Estimator. SageMaker ](https://sagemaker.readthedocs.io/en/stable/frameworks/huggingface/index.html) Com o Hugging Face Estimator, você pode usar os modelos Hugging Face como faria com qualquer outro Estimador de IA. SageMaker No entanto, usar o SDK do SageMaker Python é opcional. Você também pode orquestrar o uso dos Hugging Face Deep Learning Containers com e. AWS CLI AWS SDK para Python (Boto3)

Para obter mais informações sobre o Hugging Face e os modelos disponíveis nele, consulte a [documentação do Hugging Face.](https://huggingface.co/) 

## Treinamento
<a name="hugging-face-training"></a>

Para realizar o treinamento, use qualquer um dos milhares de modelos disponíveis no Hugging Face e ajuste-os para seu caso de uso com treinamento adicional. Com a SageMaker IA, você pode usar o treinamento padrão ou aproveitar as vantagens do [treinamento em SageMaker IA Distributed Data e Model Parallel](https://docs.aws.amazon.com/sagemaker/latest/dg/distributed-training.html). 

Como outros trabalhos de SageMaker treinamento usando código personalizado, você pode capturar suas próprias métricas passando uma definição de métricas para o SDK do SageMaker Python. Para ver um exemplo, consulte [Definição de métricas de treinamento (SageMaker Python SDK](https://docs.aws.amazon.com/sagemaker/latest/dg/training-metrics.html#define-train-metrics-sdk)). Você pode acessar as métricas capturadas usando [CloudWatch](https://docs.aws.amazon.com/sagemaker/latest/dg/monitoring-cloudwatch.html)e como Pandas `DataFrame` usando o [TrainingJobAnalytics](https://sagemaker.readthedocs.io/en/stable/api/training/analytics.html#sagemaker.analytics.TrainingJobAnalytics)método. Depois que seu modelo for treinado e ajustado, você poderá usá-lo como qualquer outro modelo para executar trabalhos de inferência.

### Como executar o treinamento com o estimador do Hugging Face
<a name="hugging-face-training-using"></a>

Você pode implementar o Hugging Face Estimator para trabalhos de treinamento usando o SDK AI Python. SageMaker O SageMaker Python SDK é uma biblioteca de código aberto para treinar e implantar modelos de aprendizado de máquina em IA. SageMaker [Para obter mais informações sobre o Hugging Face Estimator, consulte a documentação do AI Python SDK. SageMaker ](https://sagemaker.readthedocs.io/en/stable/frameworks/huggingface/index.html)

Com o SDK do SageMaker Python, você pode executar trabalhos de treinamento usando o Hugging Face Estimator nos seguintes ambientes: 
+ [Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html): O Studio Classic é o primeiro ambiente de desenvolvimento (IDE) totalmente integrado para aprendizado de máquina (ML). O Studio Classic fornece uma interface visual única, baseada na web, na qual você pode realizar todas as etapas de desenvolvimento de ML necessárias para:
  + preparar
  + build
  + treinar e ajustar;
  + implantar e gerenciar modelos.

  Para obter informações sobre como usar os cadernos Jupyter no Studio Classic, consulte [Use os notebooks Amazon SageMaker Studio Classic](notebooks.md).
+ [SageMakerInstâncias de notebook](https://docs.aws.amazon.com/sagemaker/latest/dg/nbi.html): uma instância de SageMaker notebook da Amazon é uma instância de computação de aprendizado de máquina (ML) que executa o aplicativo Jupyter Notebook. Esse aplicação permite que você execute cadernos Jupyter em sua instância de caderno para:
  + preparar e processar dados;
  + escrever código para treinar modelos;
  + implante modelos na hospedagem de SageMaker IA
  + teste ou valide seus modelos sem os recursos do SageMaker Studio, como Debugger, Model Monitoring e um IDE baseado na web
+ Localmente: se você tiver conectividade AWS e tiver as permissões de SageMaker IA apropriadas, poderá usar o SDK do SageMaker Python localmente. Com o uso local, você pode iniciar trabalhos remotos de treinamento e inferência para Hugging Face in AI on. SageMaker AWS Isso funciona em sua máquina local, bem como em outros AWS serviços com um SDK SageMaker Python conectado e as permissões apropriadas.

## Inferência
<a name="hugging-face-inference"></a>

Para inferência, você pode usar seu modelo treinado do Hugging Face ou um dos modelos pré-treinados do Hugging Face para implantar um trabalho de inferência com IA. SageMaker Com essa colaboração, você só precisa de uma linha de código para implantar seus modelos treinados e modelos pré-treinados com SageMaker IA. Você também pode executar trabalhos de inferência sem precisar escrever nenhum código de inferência personalizado. Com o código de inferência personalizado, você pode personalizar a lógica de inferência fornecendo seu próprio script Python.

### Como implantar um trabalho de inferência usando os Contêiner de Aprendizado Profundo do Hugging Face
<a name="hugging-face-inference-using"></a>

Você tem duas opções para executar inferência com SageMaker IA. Você pode executar inferências usando um modelo que você treinou ou implantar um modelo pré-treinado do Hugging Face. 
+ **Executar inferências com seu modelo treinado:** você tem duas opções para executar inferências com seu próprio modelo treinado.
  + Execute inferências com um modelo que você treinou usando um modelo existente do Hugging Face com os AI SageMaker Hugging Face Deep Learning Containers.
  + Traga seu próprio modelo existente do Hugging Face e implante-o usando IA. SageMaker 

  Ao executar a inferência com um modelo que você treinou com o SageMaker AI Hugging Face Estimator, você pode implantar o modelo imediatamente após a conclusão do treinamento. Você também pode carregar o modelo treinado em um bucket do Amazon S3 e ingeri-lo ao executar a inferência posteriormente. 

  Se você trouxer seu próprio modelo existente do Hugging Face, deverá carregar o modelo treinado em um bucket do Amazon S3. Em seguida, ingira o bucket ao executar a inferência, conforme mostrado em [Exemplo de como implementar seus transformadores do Hugging Face para inferência](https://github.com/huggingface/notebooks/blob/main/sagemaker/10_deploy_model_from_s3/deploy_transformer_model_from_s3.ipynb).
+ **Execute inferência com um HuggingFace modelo pré-treinado:** você pode usar um dos milhares de modelos pré-treinados do Hugging Face para executar seus trabalhos de inferência sem a necessidade de treinamento adicional. Para executar a inferência, selecione o modelo pré-treinado na lista de [modelos do Hugging Face](https://huggingface.co/models), conforme descrito em [Exemplo de como implantar transformadores pré-treinados do Hugging Face](https://github.com/huggingface/notebooks/blob/main/sagemaker/11_deploy_model_from_hf_hub/deploy_transformer_model_from_hf_hub.ipynb).

## O que você deseja fazer?
<a name="hugging-face-do"></a>

Os cadernos a seguir no repositório de cadernos Hugging Face mostram como usar os Hugging Face Deep Learning Containers com IA em vários casos de uso. SageMaker 

Quero treinar e implantar um modelo de classificação de texto usando Hugging Face em IA com. SageMaker PyTorch  
Para ver uma amostra do Jupyter Notebook, consulte a demonstração de [PyTorch introdução](https://github.com/huggingface/notebooks/blob/main/sagemaker/01_getting_started_pytorch/sagemaker-notebook.ipynb).

Quero treinar e implantar um modelo de classificação de texto usando Hugging Face em IA com. SageMaker TensorFlow  
Para ver uma amostra do Jupyter Notebook, consulte o exemplo de [TensorFlow introdução](https://github.com/huggingface/notebooks/blob/main/sagemaker/02_getting_started_tensorflow/sagemaker-notebook.ipynb).

Quero realizar um treinamento distribuído com paralelismo de dados usando Hugging Face e AI Distributed. SageMaker   
Para obter uma amostra do Caderno Jupyter, consulte o [exemplo de treinamento distribuído](https://github.com/huggingface/notebooks/blob/main/sagemaker/03_distributed_training_data_parallelism/sagemaker-notebook.ipynb).

Quero realizar um treinamento distribuído com paralelismo de modelos usando Hugging Face e AI Distributed. SageMaker   
Para obter uma amostra do Caderno Jupyter, consulte o [exemplo de paralelismo de modelos](https://github.com/huggingface/notebooks/blob/main/sagemaker/04_distributed_training_model_parallelism/sagemaker-notebook.ipynb).

Quero usar uma instância spot para treinar e implantar um modelo usando Hugging Face na IA. SageMaker   
Para obter uma amostra do Caderno Jupyter, consulte o [exemplo de instâncias spot](https://github.com/huggingface/notebooks/blob/main/sagemaker/05_spot_instances/sagemaker-notebook.ipynb).

Quero capturar métricas personalizadas e usar o SageMaker AI Checkpointing ao treinar um modelo de classificação de texto usando Hugging Face na IA. SageMaker   
Para obter uma amostra do Caderno Jupyter, consulte o [exemplo de treinamento com métricas personalizadas](https://github.com/huggingface/notebooks/blob/main/sagemaker/06_sagemaker_metrics/sagemaker-notebook.ipynb).

Quero treinar um TensorFlow modelo distribuído de respostas a perguntas usando Hugging Face na IA. SageMaker   
Para obter uma amostra do Jupyter Notebook, consulte o exemplo de [ TensorFlow treinamento distribuído](https://github.com/huggingface/notebooks/blob/main/sagemaker/07_tensorflow_distributed_training_data_parallelism/sagemaker-notebook.ipynb).

Quero treinar um modelo de resumo distribuído usando Hugging Face na IA. SageMaker   
Para obter uma amostra do Caderno Jupyter, consulte o [exemplo distribuído de treinamento de sumarização](https://github.com/huggingface/notebooks/blob/main/sagemaker/08_distributed_summarization_bart_t5/sagemaker-notebook.ipynb).

Quero treinar um modelo de classificação de imagens usando Hugging Face em IA. SageMaker   
Para obter uma amostra do Caderno Jupyter, consulte o [exemplo de treinamento do Transformador de visão](https://github.com/huggingface/notebooks/blob/main/sagemaker/09_image_classification_vision_transformer/sagemaker-notebook.ipynb).

Quero implantar meu modelo treinado de Hugging Face em IA. SageMaker   
Para obter uma amostra do Caderno Jupyter, consulte o [exemplo de implantação dos seus Transformadores do Hugging Face para inferência](https://github.com/huggingface/notebooks/blob/main/sagemaker/10_deploy_model_from_s3/deploy_transformer_model_from_s3.ipynb).

Quero implantar um modelo pré-treinado de Hugging Face em IA. SageMaker   
Para obter uma amostra do Caderno Jupyter, consulte o [exemplo de implantação dos seus Transformadores pré-treinados do Hugging Face para inferência](https://github.com/huggingface/notebooks/blob/main/sagemaker/11_deploy_model_from_hf_hub/deploy_transformer_model_from_hf_hub.ipynb).