Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Images SageMaker AI Docker prédéfinies pour l'apprentissage en profondeur
<a name="pre-built-containers-frameworks-deep-learning"></a>

Amazon SageMaker AI fournit des images Docker prédéfinies qui incluent des frameworks de deep learning et d'autres dépendances nécessaires à la formation et à l'inférence. Pour une liste complète des images Docker prédéfinies gérées par SageMaker AI, consultez [ Docker Registry Paths and Example Code](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths.html).

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

Avec le SDK [ SageMaker Python](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk), vous pouvez entraîner et déployer des modèles à l'aide de ces frameworks d'apprentissage profond populaires. Pour obtenir des instructions sur l'installation et l'utilisation du SDK, consultez le SDK [[https://sagemaker.readthedocs.io/en/stable](https://sagemaker.readthedocs.io/en/stable)](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk) Amazon SageMaker Python. Le tableau suivant répertorie les frameworks disponibles et explique comment les utiliser avec le SDK [ SageMaker ](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk) Python :


| Cadre | Instructions | 
| --- | --- | 
| TensorFlow | [Utilisation TensorFlow avec le SDK SageMaker Python ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) | 
| MXNet | [Utilisation de MXNet avec le SDK SageMaker Python ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) | 
| PyTorch | [Utilisation PyTorch avec le SDK SageMaker Python ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) | 
| Chainer | [Utilisation de Chainer avec le SDK SageMaker Python ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) | 
| Hugging Face | [Utilisation de Hugging Face avec le SDK SageMaker Python ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) | 

## Extension des images SageMaker AI Docker prédéfinies
<a name="pre-built-containers-frameworks-deep-learning-adapt"></a>

Vous pouvez personnaliser ces conteneurs prédéfinis ou les étendre selon vos besoins. Grâce à cette personnalisation, vous pouvez gérer toutes les exigences fonctionnelles supplémentaires pour votre algorithme ou votre modèle que l'image SageMaker AI Docker prédéfinie ne prend pas en charge. Pour un exemple de cela, consultez [ Fine-tuning et déployez un modèle BerTopic sur l' SageMaker IA avec vos propres scripts et jeux de données, en étendant les PyTorch conteneurs ](https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.html) existants.

Vous pouvez également utiliser des conteneurs prédéfinis pour déployer vos modèles personnalisés ou des modèles qui ont été entraînés dans un cadre autre que l' SageMaker IA. Pour un aperçu du processus, consultez la section [ Apportez vos propres TensorFlow modèles MXNet ou MXNet préentraînés sur Amazon. SageMaker ](https://aws.amazon.com/blogs/machine-learning/bring-your-own-pre-trained-mxnet-or-tensorflow-models-into-amazon-sagemaker/) Ce didacticiel couvre l'intégration des artefacts du modèle entraînés dans l' SageMaker IA et leur hébergement sur un terminal.