使用 HyperPod CLI 和 SDK 訓練和部署模型 - Amazon SageMaker AI
先決條件安裝 HyperPod CLI 和 SDK設定您的叢集內容選擇您的案例

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

使用 HyperPod CLI 和 SDK 訓練和部署模型

Amazon SageMaker HyperPod 可協助您大規模訓練和部署機器學習模型。AWSHyperPod CLI 是統一的命令列界面，可簡化其上的機器學習 (ML) 工作流程AWS。它可抽象化基礎設施複雜性，並為提交、監控和管理 ML 訓練任務提供簡化的體驗。CLI 專為希望專注於模型開發而非基礎設施管理的資料科學家和 ML 工程師而設計。本主題會逐步解說三個關鍵案例：訓練 PyTorch 模型、使用訓練成品部署自訂模型，以及部署 JumpStart 模型。此簡潔教學課程專為初次使用者而設計，確保您可以使用 HyperPod CLI 或 SDK 輕鬆設定、訓練和部署模型。訓練與推論之間的交握程序可協助您有效管理模型成品。

先決條件

開始使用 Amazon SageMaker HyperPod 之前，請確定您具有下列先決條件：

  • 可存取 Amazon SageMaker HyperPod AWS的帳戶

  • 已安裝 Python 3.9、3.10 或 3.11

  • AWS CLI已設定適當的登入資料。

安裝 HyperPod CLI 和 SDK

安裝必要的套件以存取 CLI 和 SDK：

pip install sagemaker-hyperpod

此命令會設定與 HyperPod 叢集互動所需的工具。

設定您的叢集內容

HyperPod 可在針對機器學習最佳化的叢集上操作。首先列出可用的叢集，為您的任務選取一個叢集。

  1. 列出所有可用的叢集

    hyp list-cluster

  2. 選擇並設定您的作用中叢集：

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

  3. 驗證組態：

    hyp get-cluster-context
注意

所有後續命令都以您設定為內容的叢集為目標。

選擇您的案例

如需每個案例的詳細說明，請按一下下列主題：

主題