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
<a name="getting-started-hyperpod-training-deploying-models"></a>

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
<a name="prerequisites"></a>

Antes de empezar a usar Amazon SageMaker HyperPod, asegúrate de tener:
+ Una AWS cuenta con acceso a Amazon SageMaker HyperPod
+ La versión de Python 3.9, 3.10 o 3.11 instalada
+ AWS CLI configurada con las credenciales adecuadas. 

## Instalación de la HyperPod CLI y el SDK
<a name="install-cli-sdk"></a>

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
<a name="configure-cluster"></a>

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

1. Enumere todos los clústeres disponibles:

   ```
   hyp list-cluster
   ```

1. Elija y configure su clúster activo:

   ```
   hyp set-cluster-context your-eks-cluster-name
   ```

1. Verifique la configuración:

   ```
   hyp get-cluster-context
   ```

**nota**  
Todos los comandos subsiguientes se dirigen al clúster que ha establecido como contexto.

## Elección del escenario
<a name="choose-scenario"></a>

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

**Topics**
+ [Requisitos previos](#prerequisites)
+ [Instalación de la HyperPod CLI y el SDK](#install-cli-sdk)
+ [Configuración del contexto de su clúster](#configure-cluster)
+ [Elección del escenario](#choose-scenario)
+ [Entrena un PyTorch modelo](train-models-with-hyperpod.md)
+ [Implementar un modelo personalizado](deploy-trained-model.md)
+ [Implemente un JumpStart modelo](deploy-jumpstart-model.md)