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.

# Imagens pré-construídas do SageMaker AI Docker para aprendizado profundo
<a name="pre-built-containers-frameworks-deep-learning"></a>

A Amazon SageMaker AI fornece imagens pré-criadas do Docker que incluem estruturas de aprendizado profundo e outras dependências necessárias para treinamento e inferência. Para obter uma lista completa das imagens pré-criadas do Docker gerenciadas pela SageMaker IA, consulte [Docker Registry Paths and](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths.html) Example Code.

## Usando o SageMaker SDK AI Python
<a name="pre-built-containers-frameworks-deep-learning-sdk"></a>

Com o [SDK do SageMaker Python](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk), você pode treinar e implantar modelos usando essas estruturas populares de aprendizado profundo. Para obter instruções sobre como instalar e usar o SDK, consulte [https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk) SDK. A tabela a seguir lista as estruturas disponíveis e as instruções sobre como usá-las com o SDK do [SageMaker Python](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk):


| Framework | Instruções | 
| --- | --- | 
| TensorFlow | [Usando TensorFlow com o SDK do SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/using_tf.html) | 
| MXNet | [Usando MXNet com o SDK do SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/mxnet/using_mxnet.html) | 
| PyTorch | [Usando PyTorch com o SDK do SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/pytorch/using_pytorch.html) | 
| Chainer | [Usando o Chainer com o SDK do Python SageMaker ](https://sagemaker.readthedocs.io/en/stable/frameworks/chainer/using_chainer.html) | 
| Hugging Face | [Usando o Hugging Face com o SDK do Python SageMaker ](https://sagemaker.readthedocs.io/en/stable/frameworks/huggingface/index.html) | 

## Estendendo imagens pré-construídas do SageMaker AI Docker
<a name="pre-built-containers-frameworks-deep-learning-adapt"></a>

Você pode personalizar esses contêineres predefinidos ou estendê-los conforme necessário. Com essa personalização, você pode lidar com quaisquer requisitos funcionais adicionais para seu algoritmo ou modelo que a imagem pré-criada do SageMaker AI Docker não suporte. Para ver um exemplo disso, consulte Como [ajustar e implantar um BERTopic modelo em SageMaker IA com seus próprios scripts e conjunto de dados, ampliando](https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.html) os contêineres existentes. PyTorch 

Você também pode usar contêineres pré-criados para implantar seus modelos personalizados ou modelos que foram treinados em uma estrutura diferente da SageMaker IA. Para uma visão geral do processo, consulte [Traga seus próprios TensorFlow modelos MXNet ou modelos pré-treinados para a Amazon SageMaker](https://aws.amazon.com/blogs/machine-learning/bring-your-own-pre-trained-mxnet-or-tensorflow-models-into-amazon-sagemaker/). Este tutorial aborda como trazer os artefatos do modelo treinado para a SageMaker IA e hospedá-los em um endpoint.