As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Começando a treinar uma rede gráfica profunda
<a name="deep-graph-library-get-started"></a>

A DGL está disponível como um contêiner de aprendizado profundo no Amazon ECR. É possível selecionar contêineres de aprendizado profundo ao escrever a função estimadora em um caderno do Amazon SageMaker. Você também pode criar o seu próprio contêiner personalizado com DGL seguindo o guia [Traga seu próprio contêiner](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms.html). A maneira mais fácil de começar a usar uma rede de gráficos profundos é utilizar um dos contêineres DGL no Amazon Elastic Container Registry.  

**nota**  
 O compatibilidade com a estrutura de backend é limitado ao PyTorch e ao MXNet. 

**Configuração**  
Se você estiver usando o Amazon SageMaker Studio, será necessário clonar o repositório de exemplos primeiro. Se você estiver usando uma instância de caderno, será possível encontrar os exemplos ao escolher o ícone do SageMaker AI na parte inferior da barra de ferramentas à esquerda. 

**Como clonar o repositório de exemplos do SDK e do caderno do Amazon SageMaker**

1. Na visualização do **JupyterLab** no Amazon SageMaker AI, acesse o **Navegador de arquivos** na parte superior da barra de ferramentas à esquerda. No painel do **navegador de arquivos**, é possível ver uma nova navegação na parte superior do painel. 

1. Selecione o ícone na extrema direita para clonar um repositório Git. 

1. Adicione a URL do repositório: [https://github.com/awslabs/amazon-sagemaker-examples.git](https://github.com/awslabs/amazon-sagemaker-examples.git) 

1. Navegue pela pasta recém-adicionada e seu conteúdo. Os exemplos da DGL são armazenados na pasta **sagemaker-python-sdk**. 

**Treinamento**  
Depois de configuração, você pode treinar a rede de gráficos profundos.