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

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 Elle simplifie les complexités de l’infrastructure et fournit une expérience rationalisée pour la soumission, la surveillance et la gestion des tâches d’entraînement ML. La CLI est spécialement conçue pour les scientifiques des données 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 d’établissement d’une liaison entre l’entraînement et l’inférence vous aide à gérer efficacement les artefacts du modèle. 

## Conditions préalables
<a name="prerequisites"></a>

Avant de commencer à utiliser Amazon SageMaker HyperPod, assurez-vous d'avoir :
+ Un AWS compte avec accès à Amazon SageMaker HyperPod
+ Python 3.9, 3.10 ou 3.11 installé
+ AWS CLI configuré avec les informations d'identification appropriées. 

## Installation de la HyperPod CLI et du SDK
<a name="install-cli-sdk"></a>

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

```
pip install sagemaker-hyperpod
```

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

## Configuration du contexte de votre cluster
<a name="configure-cluster"></a>

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

1. Répertoriez tous les clusters disponibles :

   ```
   hyp list-cluster
   ```

1. Choisissez et configurez votre cluster actif :

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

1. Vérifiez la configuration :

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

**Note**  
Toutes les commandes suivantes ciblent le cluster que vous avez défini comme contexte.

## Choix de votre scénario
<a name="choose-scenario"></a>

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

**Topics**
+ [Conditions préalables](#prerequisites)
+ [Installation de la HyperPod CLI et du SDK](#install-cli-sdk)
+ [Configuration du contexte de votre cluster](#configure-cluster)
+ [Choix de votre scénario](#choose-scenario)
+ [Entraînez un PyTorch mannequin](train-models-with-hyperpod.md)
+ [Déploiement d’un modèle personnalisé](deploy-trained-model.md)
+ [Déployer un JumpStart modèle](deploy-jumpstart-model.md)