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
<a name="getting-started-hyperpod-training-deploying-models"></a>

Amazon SageMaker HyperPod 可協助您大規模訓練和部署機器學習模型。 AWS HyperPod 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
<a name="prerequisites"></a>

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
<a name="install-cli-sdk"></a>

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
<a name="configure-cluster"></a>

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
   ```

1. 選擇並設定您的作用中叢集：

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

1. 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
<a name="choose-scenario"></a>

如需每個案例的詳細說明，請按一下下列主題：

**Topics**
+ [先決條件](#prerequisites)
+ [安裝 HyperPod CLI 和 SDK](#install-cli-sdk)
+ [設定您的叢集內容](#configure-cluster)
+ [選擇您的案例](#choose-scenario)
+ [訓練 PyTorch 模型](train-models-with-hyperpod.md)
+ [部署自訂模型](deploy-trained-model.md)
+ [部署 JumpStart 模型](deploy-jumpstart-model.md)