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。

# 適用於深度學習的預先建置 SageMaker AI Docker 映像
<a name="pre-built-containers-frameworks-deep-learning"></a>

Amazon SageMaker AI 提供預先建置的 Docker 映像，其中包含訓練和推論所需的深度學習架構及其他相依性。如需 SageMaker AI 管理的預先建置 Docker 映像完整清單，請參閱 [Docker 登錄檔路徑](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths.html)和範例程式碼。

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

透過 [SageMaker Python SDK](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk)，您可以使用這些熱門的深度學習框架來訓練和部署模型。如需有關安裝和使用 SDK 的指示，請參閱 [https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk)。下表列出可用架構以及如何搭配 [SageMaker Python SDK](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk) 使用這些架構的指示：


| 架構 | 指示 | 
| --- | --- | 
| TensorFlow |  [搭配 SageMaker Python SDK 使用 TensorFlow](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/using_tf.html)  | 
| MXNet |  [搭配 SageMaker Python SDK 使用 MXNet](https://sagemaker.readthedocs.io/en/stable/frameworks/mxnet/using_mxnet.html)  | 
| PyTorch |  [搭配 SageMaker Python SDK 使用 Python](https://sagemaker.readthedocs.io/en/stable/frameworks/pytorch/using_pytorch.html)  | 
| Chainer |  [搭配 SageMaker Python SDK 使用 Chainer](https://sagemaker.readthedocs.io/en/stable/frameworks/chainer/using_chainer.html)  | 
| Hugging Face |  [搭配 SageMaker Python SDK 使用 Hugging Face](https://sagemaker.readthedocs.io/en/stable/frameworks/huggingface/index.html)  | 

## 延伸預先建置的 SageMaker AI Docker 映像
<a name="pre-built-containers-frameworks-deep-learning-adapt"></a>

您可以自訂這些預先建置的容器，或根據需要擴充它們。透過自訂，您可以處理預先建置的 SageMaker AI Docker 映像不支援的演算法或模型的任何其他功能需求。如需此情況的範例，請參閱[透過延伸現有的 PyTorch 容器，使用自有的指令碼和資料集在 SageMaker AI 上微調和部署 BERTopic 模型](https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.html)。

您也可以使用預先建置的容器，以部署您的自訂模型或已在 SageMaker AI 以外的架構中訓練過的模型。如需過程概觀，請參閱[在 Amazon SageMaker 中使用自有的預訓練 MXNet 或 TensorFlow 模型](https://aws.amazon.com/blogs/machine-learning/bring-your-own-pre-trained-mxnet-or-tensorflow-models-into-amazon-sagemaker/)。本教學課程涵蓋將已訓練的模型成品用於 SageMaker AI 並在端點託管這些成品。