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.

# Implemente um JumpStart modelo
<a name="deploy-jumpstart-model"></a>

Você pode implantar um JumpStart modelo pré-treinado para inferência usando a CLI ou o SDK.

## Usar a CLI
<a name="deploy-jumpstart-cli"></a>

Execute o comando a seguir para implantar um JumpStart modelo:

```
hyp create hyp-jumpstart-endpoint \
  --version 1.0 \
  --model-id deepseek-llm-r1-distill-qwen-1-5b \
  --instance-type ml.g5.8xlarge \
  --endpoint-name endpoint-test-jscli
```

## Uso da SDK
<a name="deploy-jumpstart-sdk"></a>

Crie um script Python com o seguinte conteúdo:

```
from sagemaker.hyperpod.inference.config.hp_jumpstart_endpoint_config import Model, Server, SageMakerEndpoint, TlsConfig
from sagemaker.hyperpod.inference.hp_jumpstart_endpoint import HPJumpStartEndpoint

model=Model(
    model_id='deepseek-llm-r1-distill-qwen-1-5b'
)

server=Server(
    instance_type='ml.g5.8xlarge',
)

endpoint_name=SageMakerEndpoint(name='{{<endpoint-name>}}')

# create spec
js_endpoint=HPJumpStartEndpoint(
    model=model,
    server=server,
    sage_maker_endpoint=endpoint_name
)
```

## Invocar o endpoint
<a name="invoke-jumpstart-endpoint"></a>

### Usar a CLI
<a name="invoke-jumpstart-cli"></a>

Teste o endpoint com uma entrada de amostra:

```
hyp invoke hyp-jumpstart-endpoint \
    --endpoint-name endpoint-jumpstart \
    --body '{"inputs":"What is the capital of USA?"}'
```

### Uso da SDK
<a name="invoke-jumpstart-sdk"></a>

Adicione o seguinte código ao seu script Python:

```
data = '{"inputs":"What is the capital of USA?"}'
response = js_endpoint.invoke(body=data).body.read()
print(response)
```

## Gerenciar o endpoint
<a name="manage-jumpstart-endpoint"></a>

### Usar a CLI
<a name="manage-jumpstart-cli"></a>

Liste e inspecione o endpoint:

```
hyp list hyp-jumpstart-endpoint
hyp get hyp-jumpstart-endpoint --name endpoint-jumpstart
```

### Uso da SDK
<a name="manage-jumpstart-sdk"></a>

Adicione o seguinte código ao seu script Python:

```
endpoint_iterator = HPJumpStartEndpoint.list()
for endpoint in endpoint_iterator:
    print(endpoint.name, endpoint.status)

logs = js_endpoint.get_logs()
print(logs)
```

## Limpar os recursos
<a name="cleanup-jumpstart-resources"></a>

Ao terminar, exclua o endpoint para evitar custos desnecessários.

### Usar a CLI
<a name="cleanup-jumpstart-cli"></a>

```
hyp delete hyp-jumpstart-endpoint --name endpoint-jumpstart
```

### Uso da SDK
<a name="cleanup-jumpstart-sdk"></a>

```
js_endpoint.delete()
```

## Próximas etapas
<a name="jumpstart-next-steps"></a>

Agora que você treinou um PyTorch modelo, o implantou como um endpoint personalizado e implantou um JumpStart modelo usando a HyperPod CLI e o SDK, explore os recursos avançados:
+ **Treinamento em vários nós**: escale o treinamento em várias instâncias.
+ **Contêineres personalizados**: crie ambientes de treinamento especializados.
+ **Integração com SageMaker pipelines**: automatize seus fluxos de trabalho de ML
+ **Monitoramento avançado**: configure métricas e alertas personalizados.

Para obter mais exemplos e configurações avançadas, visite o [SageMaker HyperPod GitHub repositório](https://github.com/aws/amazon-sagemaker-examples).