기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# HyperPod CLI 및 SDK를 사용하여 모델 훈련 및 배포
<a name="getting-started-hyperpod-training-deploying-models"></a>

Amazon SageMaker HyperPod는 대규모로 기계 학습 모델을 훈련하고 배포하는 데 도움이 됩니다. AWS HyperPod CLI는 기계 학습(ML) 워크플로를 간소화하는 통합 명령줄 인터페이스입니다 AWS. 인프라 복잡성을 추상화하고 ML 훈련 작업 제출, 모니터링 및 관리를 위한 간소화된 경험을 제공합니다. CLI는 인프라 관리가 아닌 모델 개발에 집중하려는 데이터 과학자와 ML 엔지니어를 위해 특별히 설계되었습니다. 이 주제에서는 PyTorch 모델 훈련, 훈련된 아티팩트를 사용하여 사용자 지정 모델 배포, JumpStart 모델 배포라는 세 가지 주요 시나리오를 안내합니다. 처음 사용하는 사용자를 위해 설계된 이 간결한 자습서를 사용하면 HyperPod CLI 또는 SDK를 사용하여 모델을 손쉽게 설정, 훈련 및 배포할 수 있습니다. 훈련과 추론 간의 핸드셰이크 프로세스는 모델 아티팩트를 효과적으로 관리하는 데 도움이 됩니다.

## 사전 조건
<a name="prerequisites"></a>

Amazon SageMaker HyperPod 사용을 시작하기 전에 다음 조건을 충족해야 합니다.
+ Amazon SageMaker HyperPod에 액세스할 수 있는 AWS 계정
+ Python 3.9, 3.10 또는 3.11 설치
+ AWS CLI 적절한 자격 증명으로 구성됩니다.

## HyperPod CLI 및 SDK 설치
<a name="install-cli-sdk"></a>

CLI 및 SDK에 액세스하는 데 필요한 패키지를 설치합니다.

```
pip install sagemaker-hyperpod
```

이 명령은 HyperPod 클러스터와 상호 작용하는 데 필요한 도구를 설정합니다.

## 클러스터 컨텍스트 구성
<a name="configure-cluster"></a>

HyperPod는 기계 학습에 최적화된 클러스터에서 작동합니다. 먼저 사용 가능한 클러스터를 나열하여 작업에 사용할 클러스터를 선택합니다.

1. 사용 가능한 모든 클러스터를 나열합니다.

   ```
   hyp list-cluster
   ```

1. 활성 클러스터 선택 및 설정합니다.

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

1. 구성을 확인합니다.

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

**참고**  
모든 후속 명령은 컨텍스트로 설정한 클러스터를 대상으로 합니다.

## 시나리오 선택
<a name="choose-scenario"></a>

각 시나리오에 대한 자세한 지침을 보려면 아래 주제를 클릭하세요.

**Topics**
+ [사전 조건](#prerequisites)
+ [HyperPod CLI 및 SDK 설치](#install-cli-sdk)
+ [클러스터 컨텍스트 구성](#configure-cluster)
+ [시나리오 선택](#choose-scenario)
+ [PyTorch 모델 훈련](train-models-with-hyperpod.md)
+ [사용자 지정 모델 배포](deploy-trained-model.md)
+ [JumpStart 모델 사용](deploy-jumpstart-model.md)