本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 使用 HyperPod CLI 和 SDK 训练和部署模型
<a name="getting-started-hyperpod-training-deploying-models"></a>

Amazon SageMaker HyperPod 可帮助您大规模训练和部署机器学习模型。 AWS HyperPod CLI 是一个统一的命令行界面，可简化机器学习 (ML) 工作流程。 AWS它能抽象化基础设施的复杂性，为机器学习训练作业的提交、监控和管理提供简化的体验。CLI 专为数据科学家和机器学习工程师设计，他们更希望专注于模型开发，而非基础设施管理。本主题将引导您了解三个关键场景：训练 PyTorch 模型、使用经过训练的构件部署自定义模型以及部署 JumpStart 模型。本简洁的教程专为首次使用的用户设计，可确保您可以使用 CL HyperPod I 或 SDK 轻松设置、训练和部署模型。训练和推理之间的握手过程有助于高效地管理模型构件。

## 先决条件
<a name="prerequisites"></a>

在开始使用 Amazon 之前 SageMaker HyperPod，请确保您已具备以下条件：
+ 有权访问 Amazon 的 AWS 账户 SageMaker HyperPod
+ 已安装 Python 3.9、3.10 或 3.11
+ AWS CLI 使用适当的凭据进行配置。

## 安装 HyperPod CLI 和 SDK
<a name="install-cli-sdk"></a>

安装所需的软件包以访问 CLI 和 SDK：

```
pip install sagemaker-hyperpod
```

此命令设置了与 HyperPod 集群交互所需的工具。

## 配置集群上下文
<a name="configure-cluster"></a>

HyperPod 在针对机器学习进行了优化的集群上运行。首先列出可用的集群，以便为您的任务选择一个集群。

1. 列出所有可用的集群：

   ```
   hyp list-cluster
   ```

1. 选择并设置活动集群：

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

1. 验证配置：

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

**注意**  
后续所有命令都将以您已设置为上下文的集群为目标。

## 选择您的场景
<a name="choose-scenario"></a>

有关每种场景的详细说明，请单击以下主题：

**Topics**
+ [先决条件](#prerequisites)
+ [安装 HyperPod CLI 和 SDK](#install-cli-sdk)
+ [配置集群上下文](#configure-cluster)
+ [选择您的场景](#choose-scenario)
+ [训练 PyTorch 模型](train-models-with-hyperpod.md)
+ [部署自定义模型](deploy-trained-model.md)
+ [部署 JumpStart 模型](deploy-jumpstart-model.md)