翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# HyperPod CLI と SDK を使用したモデルのトレーニングとデプロイ
<a name="getting-started-hyperpod-training-deploying-models"></a>

Amazon SageMaker HyperPod は、機械学習モデルを大規模にトレーニングおよびデプロイするのに役立ちます。 AWS HyperPod CLI は、機械学習 (ML) ワークフローを簡素化する統合されたコマンドラインインターフェイスです AWS。インフラストラクチャの複雑さを抽象化し、ML トレーニングジョブを送信、モニタリング、管理するための効率的なエクスペリエンスを提供します。CLI は、インフラストラクチャ管理ではなくモデル開発に集中したいデータサイエンティストや ML エンジニア向けの特別設計になっています。このトピックでは、PyTorch モデルのトレーニング、トレーニングされたアーティファクトを使用したカスタムモデルのデプロイ、JumpStart モデルのデプロイの 3 つの主要なシナリオでのウォークスルーを提供します。この簡潔なチュートリアルは、初めてのユーザー向けに設計されており、HyperPod CLI または SDK を使用してモデルを簡単にセットアップ、トレーニング、デプロイできます。トレーニングと推論の間のハンドシェイクプロセスは、モデルアーティファクトを効果的に管理するのに役立ちます。

## 前提条件
<a name="prerequisites"></a>

Amazon SageMaker HyperPod の使用を開始する前に、以下を確認する必要があります。
+ Amazon SageMaker HyperPod にアクセスできる AWS アカウント
+ Python 3.9、3.10、3.11 がインストール済み
+ AWS CLI 適切な認証情報で設定されている。

## HyperPod CLI と SDK をインストールする
<a name="install-cli-sdk"></a>

次のとおり、CLI と SDK にアクセスするために必要なパッケージをインストールします。

```
pip install sagemaker-hyperpod
```

このコマンドは、HyperPod クラスターを操作するために必要なツールを設定します。

## クラスターコンテキストを設定する
<a name="configure-cluster"></a>

HyperPod は、機械学習用に最適化されたクラスターで動作します。まず、使用可能なクラスターを一覧表示して、タスク用のクラスターを選択します。

1. 次のとおり、利用可能なすべてのビルダーを一覧表示します。

   ```
   hyp list-cluster
   ```

1. アクティブなクラスターを選択して設定します。

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

1. 設定の検証:

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

**注記**  
以降のすべてのコマンドは、コンテキストとして設定したクラスターをターゲットにします。

## シナリオを選択する
<a name="choose-scenario"></a>

各シナリオの詳細な手順については、以下のトピックをクリックしてください。

**Topics**
+ [前提条件](#prerequisites)
+ [HyperPod CLI と SDK をインストールする](#install-cli-sdk)
+ [クラスターコンテキストを設定する](#configure-cluster)
+ [シナリオを選択する](#choose-scenario)
+ [PyTorch モデルのトレーニング](train-models-with-hyperpod.md)
+ [カスタムモデルをデプロイする](deploy-trained-model.md)
+ [JumpStart モデルをデプロイする](deploy-jumpstart-model.md)