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.
# Accès aux images Docker pour scikit-learn et Spark ML
SageMaker L'IA fournit des images Docker prédéfinies qui installent les bibliothèques scikit-learn et Spark ML. Ces bibliothèques incluent également les dépendances nécessaires pour créer des images Docker compatibles avec l' SageMaker IA à l'aide du [SDK Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable). Avec ce kit SDK, vous pouvez utiliser scikit-learn pour les tâches de machine learning et Spark ML pour créer et régler des pipelines de machine learning. Pour obtenir des instructions sur l'installation et l'utilisation du kit SDK, veuillez consulter [Kit SDK SageMaker Python](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk).
Vous pouvez également accéder aux images depuis un référentiel Amazon ECR dans votre propre environnement.
Utilisez les commandes suivantes pour connaître les versions d’images disponibles. Par exemple, utilisez les éléments suivants pour rechercher l’image `sagemaker-sparkml-serving` disponible dans la région `ca-central-1` :
```
aws \
ecr describe-images \
--region ca-central-1 \
--registry-id 341280168497 \
--repository-name sagemaker-sparkml-serving
```
## Accès à une image depuis le SDK SageMaker AI Python
Le tableau suivant contient des liens vers les GitHub référentiels contenant le code source des conteneurs scikit-learn et Spark ML. Le tableau contient également des liens vers des instructions sur la façon d’utiliser ces conteneurs avec des estimateurs du kit SDK Python pour exécuter vos propres algorithmes d’entraînement et héberger vos propres modèles.
| Bibliothèque | Code source de l’image Docker préconçue | Instructions |
| --- | --- | --- |
| scikit-learn | [SageMaker Conteneurs AI Scikit-Learn](https://github.com/aws/sagemaker-scikit-learn-container) | [Utilisation de Scikit-learn avec le SDK Amazon Python SageMaker ](https://sagemaker.readthedocs.io/en/stable/using_sklearn.html) |
| Spark ML | [SageMaker Contenants de service AI Spark ML](https://github.com/aws/sagemaker-sparkml-serving-container) | [Documentation sur le kit SDK SparkML Python](https://sagemaker.readthedocs.io/en/stable/sagemaker.sparkml.html) |
Pour plus d’informations et des liens vers des référentiels github, consultez [Ressources pour utiliser Scikit-learn avec Amazon AI SageMaker](sklearn.md) et [Ressources pour utiliser SparkML Serving avec Amazon AI SageMaker](sparkml-serving.md).
## Spécification manuelle des images préconçues
Si vous n'utilisez pas le SDK SageMaker Python et l'un de ses estimateurs pour gérer le conteneur, vous devez récupérer manuellement le conteneur prédéfini correspondant. Les images Docker prédéfinies par l' SageMaker IA sont stockées dans Amazon Elastic Container Registry (Amazon ECR). Vous pouvez les envoyer ou les extraire en utilisant leur adresse de registre complète. SageMaker AI utilise les modèles d'URL Docker Image suivants pour scikit-learn et Spark ML :
+ `.dkr.ecr..amazonaws.com/sagemaker-scikit-learn:-cpu-py`
Par exemple, `746614075791.dkr.ecr.us-west-1.amazonaws.com/sagemaker-scikit-learn:1.2-1-cpu-py3`
+ `.dkr.ecr..amazonaws.com/sagemaker-sparkml-serving:`
Par exemple, `341280168497.dkr.ecr.ca-central-1.amazonaws.com/sagemaker-sparkml-serving:2.4`
Pour les noms de compte IDs et de AWS région, consultez les [chemins de registre Docker et les exemples de code](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths).