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.

# Treine e implante modelos com HyperPod CLI e SDK
<a name="getting-started-hyperpod-training-deploying-models"></a>

 SageMaker HyperPod A Amazon ajuda você a treinar e implantar modelos de aprendizado de máquina em grande escala. A AWS HyperPod CLI é uma interface de linha de comando unificada que simplifica os fluxos de trabalho de aprendizado de máquina (ML) em. AWS Ela simplifica as complexidades da infraestrutura e oferece uma experiência simplificada para enviar, monitorar e gerenciar tarefas de treinamento de ML. A CLI foi projetada especificamente para cientistas de dados e engenheiros de ML que desejam se concentrar no desenvolvimento de modelos em vez de no gerenciamento da infraestrutura. Este tópico mostra três cenários principais: treinar um PyTorch modelo, implantar um modelo personalizado usando artefatos treinados e implantar um modelo. JumpStart Projetado para usuários iniciantes, este tutorial conciso garante que você possa configurar, treinar e implantar modelos sem esforço usando a CLI ou o SDK HyperPod . O processo de handshake entre o treinamento e a inferência ajuda você a gerenciar os artefatos do modelo de forma eficaz. 

## Pré-requisitos
<a name="prerequisites"></a>

Antes de começar a usar a Amazon SageMaker HyperPod, verifique se você tem:
+ Uma AWS conta com acesso à Amazon SageMaker HyperPod
+ O Python 3.9, 3.10 ou 3.11 instalado.
+ AWS CLI configurado com as credenciais apropriadas. 

## Instale a HyperPod CLI e o SDK
<a name="install-cli-sdk"></a>

Instale o pacote necessário para acessar a CLI e o SDK:

```
pip install sagemaker-hyperpod
```

Esse comando configura as ferramentas necessárias para interagir com os HyperPod clusters.

## Configurar o contexto do cluster
<a name="configure-cluster"></a>

HyperPod opera em clusters otimizados para aprendizado de máquina. Primeiro, liste os clusters disponíveis para selecionar um para suas tarefas.

1. Liste todos os clusters disponíveis:

   ```
   hyp list-cluster
   ```

1. Escolha e defina seu cluster ativo:

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

1. Verifique a configuração:

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

**nota**  
Todos os comandos subsequentes têm como alvo o cluster que você definiu como seu contexto.

## Escolher seu cenário
<a name="choose-scenario"></a>

Para ter instruções detalhadas sobre cada cenário, clique nos tópicos abaixo:

**Topics**
+ [Pré-requisitos](#prerequisites)
+ [Instale a HyperPod CLI e o SDK](#install-cli-sdk)
+ [Configurar o contexto do cluster](#configure-cluster)
+ [Escolher seu cenário](#choose-scenario)
+ [Treine um PyTorch modelo](train-models-with-hyperpod.md)
+ [Implantar um modelo personalizado](deploy-trained-model.md)
+ [Implemente um JumpStart modelo](deploy-jumpstart-model.md)