Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

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

HyperPod esegue la personalizzazione del modello su cluster di calcolo persistenti che rimangono disponibili per più processi di formazione. HyperPod fornisce il rilevamento e il ripristino automatici dei guasti, rendendolo ideale per carichi di lavoro di formazione su larga scala e di lunga durata.

Per lavori di formazione temporanei, vedere. [SageMaker Offerte di lavoro di formazione sull'IA](customizing-models-training-jobs.md) Per una formazione serverless completamente gestita, vedere. [Personalizzazione del modello serverless](customize-model.md)

Per le tecniche di personalizzazione e i tipi di formazione supportati, vedere. [Tecniche di personalizzazione](customizing-models-techniques.md)

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

### Disponibilità regionale
<a name="hyperpod-regional"></a>

Disponibile in tutte le regioni [ HyperPod ](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod.html#sagemaker-hyperpod-available-regions) supportate.

### Opzioni di orchestrazione
<a name="hyperpod-orchestration"></a>
+ **HyperPod con Amazon EKS ** — Interfaces: Recipes,. HP-CLI Orchestrazione dei carichi di lavoro Kubernetes basata sull'uso con gestione dinamica della capacità e lavori di formazione containerizzati.
+ **HyperPod con Slurm ** — Interfacce: ricette. Pianificazione dei lavori Slurm basata sull'uso con configurazione head, login e worker node.

### Tecniche e tipi di formazione supportati
<a name="hyperpod-supported-techniques-types"></a>

HyperPod supporta tutte le tecniche di personalizzazione e i tipi di formazione. Consulta [Tecniche di personalizzazione](customizing-models-techniques.md) e [Tipi di allenamento](customizing-models-training-types.md).

## Nozioni di base
<a name="hyperpod-customize-getting-started"></a>

Se è la prima volta che lo usi HyperPod, consulta [ Prerequisiti per l'utilizzo dell' SageMaker IA HyperPod ](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-prerequisites.html) per configurare il cluster.

Per eseguire la personalizzazione del modello su un cluster esistente HyperPod :

1. Clona il repository delle ricette: 

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

1. Scegli una ricetta tra. `recipes_collection/recipes/fine-tuning/`

1. Configura le impostazioni specifiche del cluster (vedi [ Cluster-specific configurazioni](https://docs.aws.amazon.com/sagemaker/latest/dg/cluster-specific-configurations.html)).

1. Avvia utilizzando il metodo appropriato: 
   + **EKS: ** usa lo script di avvio o HP-CLI
   + **Slurm: ** Usa lo script di avvio

Per tutorial dettagliati e il catalogo completo delle ricette, consulta la documentazione di [ SageMaker AI Recipes. ](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-recipes.html)

Per ulteriori informazioni su HyperPod, consulta [ Amazon SageMaker AI. HyperPod ](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod.html)