Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# HyperPod
<a name="customizing-models-hyperpod"></a>

HyperPod führt die Modellanpassung auf persistenten Rechenclustern durch, die für mehrere Trainingsjobs verfügbar bleiben. HyperPod bietet automatische Fehlererkennung und -wiederherstellung und ist somit ideal für umfangreiche und lang andauernde Trainingsworkloads.

Informationen zu kurzlebigen Trainingsjobs finden Sie unter. [SageMaker Jobs im Bereich KI-Ausbildung](customizing-models-training-jobs.md) Eine vollständig verwaltete serverlose Schulung finden Sie unter. [Serverlose Modellanpassung](customize-model.md)

Informationen zu unterstützten Anpassungstechniken und Schulungstypen finden Sie unter[Techniken zur Anpassung](customizing-models-techniques.md).

## -Übersicht
<a name="hyperpod-customize-overview"></a>

### Regionale Verfügbarkeit
<a name="hyperpod-regional"></a>

In allen [ HyperPod unterstützten Regionen verfügbar](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod.html#sagemaker-hyperpod-available-regions).

### Orchestrierungsoptionen
<a name="hyperpod-orchestration"></a>
+ **HyperPod mit Amazon EKS ** — Schnittstellen: Rezepte, HP-CLI. KubernetesNutzungsbasierte Workload-Orchestrierung mit dynamischem Kapazitätsmanagement und containerisierten Schulungsaufträgen.
+ **HyperPod mit Slurm ** — Schnittstellen: Rezepte. SlurmNutzungsbasierte Jobplanung mit Kopf-, Anmelde- und Worker-Knotenkonfiguration.

### Unterstützte Techniken und Trainingsarten
<a name="hyperpod-supported-techniques-types"></a>

HyperPod unterstützt alle Anpassungstechniken und Trainingstypen. Siehe [Techniken zur Anpassung](customizing-models-techniques.md) und [Arten von Schulungen](customizing-models-training-types.md).

## Erste Schritte
<a name="hyperpod-customize-getting-started"></a>

Wenn Sie es zum ersten Mal verwenden HyperPod, finden Sie weitere Informationen unter [ Voraussetzungen für die Verwendung von SageMaker KI HyperPod ](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-prerequisites.html) zur Einrichtung Ihres Clusters.

So führen Sie die Modellanpassung auf einem vorhandenen HyperPod Cluster durch:

1. Klonen Sie das Rezept-Repository: 

   ```
   git clone --recursive https://github.com/aws/sagemaker-hyperpod-recipes.git
   cd sagemaker-hyperpod-recipes
   pip3 install -r requirements.txt
   ```

1. Wähle ein Rezept aus`recipes_collection/recipes/fine-tuning/`.

1. Konfigurieren Sie clusterspezifische Einstellungen (siehe [ Cluster-specific Konfigurationen](https://docs.aws.amazon.com/sagemaker/latest/dg/cluster-specific-configurations.html)).

1. Starten Sie mit der entsprechenden Methode: 
   + **EKS: ** Benutze das Launcher-Skript oder HP-CLI
   + **Slurm: ** Benutze das Launcher-Skript

Ausführliche Tutorials und den vollständigen Rezeptkatalog finden Sie in der Dokumentation zu [ SageMaker KI-Rezepten](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-recipes.html).

Weitere Informationen zu HyperPod, siehe [ Amazon SageMaker AI HyperPod](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod.html).