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。

# 用于深度学习的预构建 SageMaker AI Docker 镜像
<a name="pre-built-containers-frameworks-deep-learning"></a>

Amazon SageMaker AI 提供预构建的 Docker 镜像，其中包括深度学习框架以及训练和推理所需的其他依赖项。有关由 SageMaker AI 管理的预构建 Docker 镜像的完整列表，请参阅 [Docker 注册表路径和示例](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths.html)代码。

## 使用 SageMaker AI Python 开发工具包
<a name="pre-built-containers-frameworks-deep-learning-sdk"></a>

借助 [SageMaker Python SDK](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk)，您可以使用这些常用的深度学习框架训练和部署模型。有关安装和使用软件开发工具包的说明，请参阅 [https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk)。下表列出了可用框架以及如何将它们与 [SageMaker Python SDK](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk) 配合使用的说明：


| 框架 | 说明 | 
| --- | --- | 
| TensorFlow |  [ TensorFlow 与 SageMaker Python 软件开发工具包配合使用](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/using_tf.html)  | 
| MXNet |  [ MXNet 与 SageMaker Python 软件开发工具包配合使用](https://sagemaker.readthedocs.io/en/stable/frameworks/mxnet/using_mxnet.html)  | 
| PyTorch |  [ PyTorch 与 SageMaker Python 软件开发工具包配合使用](https://sagemaker.readthedocs.io/en/stable/frameworks/pytorch/using_pytorch.html)  | 
| Chainer |  [在 SageMaker Python SDK 中使用 Chainer](https://sagemaker.readthedocs.io/en/stable/frameworks/chainer/using_chainer.html)  | 
| Hugging Face |  [在 Pyth SageMaker on SDK 中使用 Hugging Face](https://sagemaker.readthedocs.io/en/stable/frameworks/huggingface/index.html)  | 

## 扩展预构建的 SageMaker AI Docker 镜像
<a name="pre-built-containers-frameworks-deep-learning-adapt"></a>

您可以根据需要自定义或扩展这些预构建容器。通过此自定义，您可以处理预构建的 SageMaker AI Docker 镜像不支持的算法或模型的任何其他功能要求。有关示例，请参阅[通过扩展现有 PyTorch 容器，使用自己的脚本和数据集在 SageMaker AI 上微调和部署 BERTopic 模型](https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.html)。

您还可以使用预构建的容器来部署您的自定义模型或已在 SageMaker AI 以外的框架中训练过的模型。有关流程的概述，请参阅[将自己的预训练 TensorFlow 模型 MXNet 或模型带入 Amazon SageMaker](https://aws.amazon.com/blogs/machine-learning/bring-your-own-pre-trained-mxnet-or-tensorflow-models-into-amazon-sagemaker/)。本教程介绍如何将经过训练的模型工件引入 SageMaker AI 并将其托管在端点上。