Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Immagini Docker SageMaker AI predefinite per il deep learning
<a name="pre-built-containers-frameworks-deep-learning"></a>

Amazon SageMaker AI fornisce immagini Docker predefinite che includono framework di deep learning e altre dipendenze necessarie per la formazione e l'inferenza. [Per un elenco completo delle immagini Docker predefinite gestite dall' SageMaker intelligenza artificiale, consulta Docker Registry Paths and Example Code.](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths.html)

## Utilizzo dell' SageMaker SDK AI Python
<a name="pre-built-containers-frameworks-deep-learning-sdk"></a>

Con [SageMaker Python SDK](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk), puoi addestrare e distribuire modelli utilizzando questi popolari framework di deep learning. Per istruzioni sull'installazione e l'uso dell'SDK, consulta [https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk) SDK. [La tabella seguente elenca i framework disponibili e le istruzioni su come usarli con Python SageMaker SDK:](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk)


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

## Estensione delle immagini Docker AI predefinite SageMaker
<a name="pre-built-containers-frameworks-deep-learning-adapt"></a>

I container predefiniti possono essere personalizzati o estesi in base alle esigenze. Con questa personalizzazione, puoi gestire qualsiasi requisito funzionale aggiuntivo per il tuo algoritmo o modello che l'immagine Docker SageMaker AI precostruita non supporta. Per un esempio, consulta [Ottimizzazione e implementazione di un BERTopic modello sull' SageMaker intelligenza artificiale con script e set di dati personalizzati, estendendo i](https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.html) contenitori esistenti. PyTorch 

Puoi anche utilizzare contenitori predefiniti per distribuire modelli personalizzati o modelli che sono stati addestrati in un framework diverso dall'intelligenza artificiale. SageMaker Per una panoramica del processo, consulta [Bring Your Own Pretraining MXNet or TensorFlow Models in Amazon SageMaker](https://aws.amazon.com/blogs/machine-learning/bring-your-own-pre-trained-mxnet-or-tensorflow-models-into-amazon-sagemaker/). Questo tutorial spiega come trasferire gli artefatti del modello addestrato nell' SageMaker intelligenza artificiale e ospitarli su un endpoint.