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.

# Compatibilité avec les images du conteneur
<a name="train-remote-decorator-container"></a>

Le tableau suivant présente une liste d'images d' SageMaker entraînement compatibles avec le décorateur @remote.


| Nom | Version de Python | URI de l’image – CPU | URI de l’image – GPU | 
| --- | --- | --- | --- | 
| Data Science | 3.7(py37) | Pour les ordinateurs portables SageMaker Studio Classic uniquement. Le SDK Python sélectionne automatiquement l'URI de l'image lorsqu'elle est utilisée comme image du noyau de SageMaker Studio Classic Notebook. | Pour les ordinateurs portables SageMaker Studio Classic uniquement. Le SDK Python sélectionne automatiquement l'URI de l'image lorsqu'elle est utilisée comme image du noyau de SageMaker Studio Classic Notebook. | 
| Data Science 2.0 | 3.8(py38) | Pour les ordinateurs portables SageMaker Studio Classic uniquement. Le SDK Python sélectionne automatiquement l'URI de l'image lorsqu'elle est utilisée comme image du noyau de SageMaker Studio Classic Notebook. | Pour les ordinateurs portables SageMaker Studio Classic uniquement. Le SDK Python sélectionne automatiquement l'URI de l'image lorsqu'elle est utilisée comme image du noyau de SageMaker Studio Classic Notebook. | 
| Data Science 3.0 | 3.10(py310) | Pour les ordinateurs portables SageMaker Studio Classic uniquement. Le SDK Python sélectionne automatiquement l'URI de l'image lorsqu'elle est utilisée comme image du noyau de SageMaker Studio Classic Notebook. | Pour les ordinateurs portables SageMaker Studio Classic uniquement. Le SDK Python sélectionne automatiquement l'URI de l'image lorsqu'elle est utilisée comme image du noyau de SageMaker Studio Classic Notebook. | 
| Base Python 2.0 | 3.8(py38) | Le kit SDK Python sélectionne cette image lorsqu’il détecte que l’environnement de développement utilise l’exécution Python 3.8. Sinon, le SDK Python sélectionne automatiquement cette image lorsqu'elle est utilisée comme image du noyau de SageMaker Studio Classic Notebook | Pour les ordinateurs portables SageMaker Studio Classic uniquement. Le SDK Python sélectionne automatiquement l'URI de l'image lorsqu'elle est utilisée comme image du noyau de SageMaker Studio Classic Notebook. | 
| Base Python 3.0 | 3.10(py310) | Le kit SDK Python sélectionne cette image lorsqu'il détecte que l'environnement de développement utilise l'exécution Python 3.8. Sinon, le SDK Python sélectionne automatiquement cette image lorsqu'elle est utilisée comme image du noyau de SageMaker Studio Classic Notebook | Pour les ordinateurs portables SageMaker Studio Classic uniquement. Le kit SDK Python sélectionne automatiquement l’URI de l’image lorsqu’elle est utilisée comme image du noyau du blocs-notes Studio Classic. | 
| TensorFlow DLC-2.12.0 pour l'entraînement SageMaker  | 3.10(py310) | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.12.0-cpu-py310-ubuntu20.04-sagemaker | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.12.0-gpu-py310-cu118-ubuntu20.04-sagemaker | 
| DLC-Tensorflow 2.11.0 pour l'entraînement SageMaker  | 3.9(py39) | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.11.0-cpu-py39-ubuntu20.04-sagemaker | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.11.0-gpu-py39-cu112-ubuntu20.04-sagemaker | 
| TensorFlow DLC-2.10.1 pour l'entraînement SageMaker  | 3.9(py39) | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.10.1-cpu-py39-ubuntu20.04-sagemaker | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.10.1-gpu-py39-cu112-ubuntu20.04-sagemaker | 
| TensorFlow DLC-2.9.2 pour l'entraînement SageMaker  | 3.9(py39) | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.9.2-cpu-py39-ubuntu20.04-sagemaker | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.9.2-gpu-py39-cu112-ubuntu20.04-sagemaker | 
| TensorFlow DLC-2.8.3 pour l'entraînement SageMaker  | 3.9(py39) | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.8.3-cpu-py39-ubuntu20.04-sagemaker | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.8.3-gpu-py39-cu112-ubuntu20.04-sagemaker | 
| PyTorch DLC-2.0.0 pour l'entraînement SageMaker  | 3.10(py310) | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:2.0.0-cpu-py310-ubuntu20.04-sagemaker | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:2.0.0-gpu-py310-cu118-ubuntu20.04-sagemaker | 
| PyTorch DLC-1.13.1 pour l'entraînement SageMaker  | 3.9(py39) | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:1.13.1-cpu-py39-ubuntu20.04-sagemaker | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:1.13.1-gpu-py39-cu117-ubuntu20.04-sagemaker | 
| PyTorch DLC-1.12.1 pour l'entraînement SageMaker  | 3.8(py38) | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:1.12.1-cpu-py38-ubuntu20.04-sagemaker | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:1.12.1-gpu-py38-cu113-ubuntu20.04-sagemaker | 
| PyTorch DLC-1.11.0 pour l'entraînement SageMaker  | 3.8(py38) | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:1.11.0-cpu-py38-ubuntu20.04-sagemaker | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:1.11.0-gpu-py38-cu113-ubuntu20.04-sagemaker | 
| MXNet DLC-1.9.0 pour l'entraînement SageMaker  | 3.8(py38) | 763104351884.dkr.ecr.<region>.amazonaws.com/mxnet-training:1.9.0-cpu-py38-ubuntu20.04-sagemaker | 763104351884.dkr.ecr.<region>.amazonaws.com/mxnet-training:1.9.0-gpu-py38-cu112-ubuntu20.04-sagemaker | 

**Note**  
Pour exécuter des tâches localement à l'aide d'images AWS Deep Learning Containers (DLC), utilisez l'image URIs figurant dans la documentation du [DLC](https://github.com/aws/deep-learning-containers/blob/master/available_images.md). Les images DLC ne prennent pas en charge la valeur `auto_capture` des dépendances.  
Les tâches associées à [SageMaker AI Distribution in SageMaker Studio](https://github.com/aws/sagemaker-distribution#amazon-sagemaker-studio) s'exécutent dans un conteneur sous le nom `sagemaker-user` d'un utilisateur non root. Cet utilisateur a besoin d’une autorisation complète pour accéder à `/opt/ml` et `/tmp`. Accordez cette autorisation en ajoutant `sudo chmod -R 777 /opt/ml /tmp` à la liste `pre_execution_commands`, comme indiqué dans l’extrait suivant :  

```
@remote(pre_execution_commands=["sudo chmod -R 777 /opt/ml /tmp"])
def func():
    pass
```

Vous pouvez également exécuter des fonctions distantes avec vos images personnalisées. Pour des raisons de compatibilité avec les fonctions distantes, les images personnalisées doivent être créées avec les versions 3.7.x à 3.10.x de Python. Voici un exemple minimal de Dockerfile qui vous montre comment utiliser une image Docker avec Python 3.10.

```
FROM python:3.10

#... Rest of the Dockerfile
```

Pour créer des environnements `conda` dans votre image et les utiliser pour exécuter des tâches, définissez la variable d’environnement `SAGEMAKER_JOB_CONDA_ENV` sur le nom de l’environnement `conda`. Si la valeur de votre image est définie sur `SAGEMAKER_JOB_CONDA_ENV`, la fonction distante ne peut pas créer un nouvel environnement conda pendant l’exécution de la tâche d’entraînement. Reportez-vous à l’exemple Dockerfile suivant qui utilise un environnement `conda` avec la version 3.10 de Python.

```
FROM continuumio/miniconda3:4.12.0  

ENV SHELL=/bin/bash \
    CONDA_DIR=/opt/conda \
    SAGEMAKER_JOB_CONDA_ENV={{sagemaker-job-env}}

RUN conda create -n $SAGEMAKER_JOB_CONDA_ENV \
   && conda install -n $SAGEMAKER_JOB_CONDA_ENV python=3.10 -y \
   && conda clean --all -f -y \
```

Pour que l' SageMaker IA utilise [mamba](https://mamba.readthedocs.io/en/latest/user_guide/mamba.html) pour gérer votre environnement virtuel Python dans l'image du conteneur, installez le [kit d'outils mamba de](https://github.com/conda-forge/miniforge) miniforge. Pour utiliser mamba, ajoutez l’exemple de code suivant à votre Dockerfile. SageMaker L'IA détectera ensuite la `mamba` disponibilité au moment de l'exécution et l'utilisera à la place de`conda`.

```
#Mamba Installation
RUN curl -L -O "https://github.com/conda-forge/miniforge/releases/latest/download/Mambaforge-Linux-x86_64.sh" \
    && bash Mambaforge-Linux-x86_64.sh -b -p "/opt/conda"  \
    && /opt/conda/bin/conda init bash
```

L’utilisation d’un canal conda personnalisé sur un compartiment Amazon S3 n’est pas compatible avec mamba lors de l’utilisation d’une fonction distante. Si vous choisissez d’utiliser mamba, assurez-vous de ne pas utiliser un canal conda personnalisé sur Amazon S3. Pour plus d’informations, consultez la section **Conditions préalables** sous **Répertoire conda personnalisé à l’aide d’Amazon S3**.

Voici un exemple complet de Dockerfile montrant comment créer une image Docker compatible.

```
FROM python:3.10

RUN apt-get update -y \
    # Needed for awscli to work
    # See: https://github.com/aws/aws-cli/issues/1957#issuecomment-687455928
    && apt-get install -y groff unzip curl \
    && pip install --upgrade \
        'boto3>1.0<2' \
        'awscli>1.0<2' \
        'ipykernel>6.0.0<7.0.0' \
#Use ipykernel with --sys-prefix flag, so that the absolute path to 
    #/usr/local/share/jupyter/kernels/python3/kernel.json python is used
    # in kernelspec.json file
    && python -m ipykernel install --sys-prefix

#Install Mamba
RUN curl -L -O "https://github.com/conda-forge/miniforge/releases/latest/download/Mambaforge-Linux-x86_64.sh" \
    && bash Mambaforge-Linux-x86_64.sh -b -p "/opt/conda"  \
    && /opt/conda/bin/conda init bash

#cleanup
RUN apt-get clean \
    && rm -rf /var/lib/apt/lists/* \
    && rm -rf ${HOME}/.cache/pip \
    && rm Mambaforge-Linux-x86_64.sh

ENV SHELL=/bin/bash \
    PATH=$PATH:/opt/conda/bin
```

 L'image résultant de l'exécution de l'exemple Dockerfile précédent peut également être utilisée comme image [du noyau de SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-byoi.html).