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.

# Imágenes de Docker de SageMaker IA prediseñadas para aprendizaje profundo
<a name="pre-built-containers-frameworks-deep-learning"></a>

Amazon SageMaker AI proporciona imágenes de Docker prediseñadas que incluyen marcos de aprendizaje profundo y otras dependencias necesarias para el entrenamiento y la inferencia. [Para obtener una lista completa de las imágenes de Docker prediseñadas administradas por SageMaker IA, consulte las rutas de registro de Docker y el código de ejemplo.](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths.html)

## Uso del SDK de Python para SageMaker IA
<a name="pre-built-containers-frameworks-deep-learning-sdk"></a>

Con el [SDK de SageMaker Python](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk), puede entrenar e implementar modelos utilizando estos populares marcos de aprendizaje profundo. Para obtener instrucciones sobre la instalación y el uso del SDK, consulte [https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk). En la siguiente tabla se enumeran los marcos disponibles y las instrucciones sobre cómo usarlos con el [SDK de SageMaker Python](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk):


| Marcos | Instrucciones | 
| --- | --- | 
| TensorFlow | [Uso TensorFlow con el SDK de SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/using_tf.html) | 
| MXNet | [Uso MXNet con el SDK de SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/mxnet/using_mxnet.html) | 
| PyTorch | [Uso PyTorch con el SDK de SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/pytorch/using_pytorch.html) | 
| Chainer | [Uso de Chainer con el SDK de SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/chainer/using_chainer.html) | 
| Hugging Face | [Uso de Hugging Face con el SDK de SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/huggingface/index.html) | 

## Ampliación de las imágenes prediseñadas de SageMaker AI Docker
<a name="pre-built-containers-frameworks-deep-learning-adapt"></a>

Puede personalizar estos contenedores precompilados o ampliarlos según sea necesario. Con esta personalización, puede gestionar cualquier requisito funcional adicional para su algoritmo o modelo que no sea compatible con la imagen de Docker de SageMaker IA prediseñada. Para ver un ejemplo de ello, consulta Cómo [ajustar e implementar un BERTopic modelo de SageMaker IA con tus propios scripts y conjuntos de datos, ampliando](https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.html) los contenedores existentes. PyTorch 

También puede usar contenedores prediseñados para implementar sus modelos personalizados o modelos que se hayan entrenado en un marco distinto de la IA. SageMaker Para obtener una descripción general del proceso, consulta [Bring Your Own Pretrained MXNet o TensorFlow modelos a Amazon SageMaker](https://aws.amazon.com/blogs/machine-learning/bring-your-own-pre-trained-mxnet-or-tensorflow-models-into-amazon-sagemaker/). En este tutorial, se explica cómo incorporar los artefactos de los modelos entrenados a la SageMaker IA y alojarlos en un punto final.