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.

Entraînez et déployez des modèles à l'aide de la HyperPod CLI et du SDK

Amazon vous SageMaker HyperPod aide à former et à déployer des modèles de machine learning à grande échelle. La AWS HyperPod CLI est une interface de ligne de commande unifiée qui simplifie les flux de travail d'apprentissage automatique (ML) sur. AWS Il élimine les complexités de l'infrastructure et fournit une expérience rationalisée pour la soumission, le suivi et la gestion des tâches de formation au machine learning. La CLI est spécialement conçue pour les data scientists et les ingénieurs ML qui souhaitent se concentrer sur le développement de modèles plutôt que sur la gestion de l'infrastructure. Cette rubrique décrit trois scénarios clés : formation d'un PyTorch modèle, déploiement d'un modèle personnalisé à l'aide d'artefacts entraînés et déploiement d'un JumpStart modèle. Conçu pour les nouveaux utilisateurs, ce didacticiel concis vous permet de configurer, de former et de déployer des modèles sans effort à l'aide de la HyperPod CLI ou du SDK. Le processus de prise de main entre la formation et l'inférence vous aide à gérer efficacement les artefacts du modèle.

Prérequis

Avant de commencer à utiliser Amazon SageMaker HyperPod, assurez-vous d'avoir :

Installation de la HyperPod CLI et du SDK

Installez le package requis pour accéder à la CLI et au SDK :

pip install sagemaker-hyperpod

Cette commande définit les outils nécessaires pour interagir avec les HyperPod clusters.

Configurez le contexte de votre cluster

HyperPod fonctionne sur des clusters optimisés pour l'apprentissage automatique. Commencez par répertorier les clusters disponibles pour en sélectionner un pour vos tâches.

Choisissez votre scénario

Pour obtenir des instructions détaillées sur chaque scénario, cliquez sur les sujets ci-dessous :