Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Entrene e implemente modelos con HyperPod CLI y SDK

Amazon le SageMaker HyperPod ayuda a entrenar e implementar modelos de aprendizaje automático a escala. La AWS HyperPod CLI es una interfaz de línea de comandos unificada que simplifica los flujos de trabajo de aprendizaje automático (ML). AWS Resume las complejidades de la infraestructura y proporciona una experiencia optimizada para enviar, supervisar y administrar trabajos de entrenamiento de ML. La CLI se ha diseñado específicamente para científicos de datos e ingenieros de ML que desean centrarse en el desarrollo de modelos en lugar de en la administración de la infraestructura. En este tema se explican tres escenarios clave: entrenar un PyTorch modelo, implementar un modelo personalizado con artefactos entrenados e implementar un modelo. JumpStart Diseñado para usuarios principiantes, este tutorial conciso garantiza que pueda configurar, entrenar e implementar modelos sin esfuerzo mediante la HyperPod CLI o el SDK. El proceso de establecimiento de comunicación entre el entrenamiento y la inferencia le ayuda a administrar los artefactos de los modelos de forma eficaz.

Requisitos previos

Antes de empezar a usar Amazon SageMaker HyperPod, asegúrate de tener:

Instalación de la HyperPod CLI y el SDK

Instale el paquete necesario para acceder a la CLI y al SDK:

pip install sagemaker-hyperpod

Este comando configura las herramientas necesarias para interactuar con HyperPod los clústeres.

Configuración del contexto de su clúster

HyperPod funciona en clústeres optimizados para el aprendizaje automático. Comience por enumerar los clústeres disponibles para seleccionar uno para sus tareas.

Elección del escenario

Para obtener instrucciones detalladas sobre cada escenario, haga clic en los temas siguientes: