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.

# Immagini Docker SageMaker AI predefinite per il deep learning
<a name="pre-built-containers-frameworks-deep-learning"></a>

Amazon SageMaker AI fornisce immagini Docker predefinite che includono framework di deep learning e altre dipendenze necessarie per l'addestramento e l'inferenza. Per un elenco completo delle immagini Docker predefinite gestite dall' SageMaker IA, consulta Docker Registry Paths and Example Code. [https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths.html](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths.html)

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

Con [ SageMaker Python SDK](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk), puoi addestrare e distribuire modelli utilizzando questi popolari framework di deep learning. Per istruzioni sull'installazione e l'utilizzo dell'SDK, consulta Amazon Python SDK. [[ SageMaker ](https://sagemaker.readthedocs.io/en/stable)](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk) La tabella seguente elenca i framework disponibili e le istruzioni su come utilizzarli con l'SDK Python: [ SageMaker ](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk)


| Framework | Istruzioni | 
| --- | --- | 
| TensorFlow | [Utilizzo con Python SDK TensorFlow SageMaker ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) | 
| MXNet | [Usare MXNet con Python SDK SageMaker ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) | 
| PyTorch | [Utilizzo PyTorch con Python SDK SageMaker ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) | 
| Chainer | [Usare Chainer con Python SDK SageMaker ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) | 
| Hugging Face | [Usare Hugging Face con Python SDK SageMaker ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) | 

## Estensione delle immagini Docker AI predefinite SageMaker
<a name="pre-built-containers-frameworks-deep-learning-adapt"></a>

I container predefiniti possono essere personalizzati o estesi in base alle esigenze. Con questa personalizzazione, puoi gestire qualsiasi requisito funzionale aggiuntivo per il tuo algoritmo o modello che l'immagine Docker SageMaker AI precompilata non supporta. Per un esempio, visualizzate [ Fine-tuning e implementate un modello BerTopic sull' SageMaker IA con script e set di dati personalizzati, estendendo i contenitori esistenti. PyTorch ](https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.html)

Puoi anche utilizzare contenitori predefiniti per distribuire modelli personalizzati o modelli che sono stati addestrati in un framework diverso dall'IA. SageMaker Per una panoramica del processo, consulta [ Bring Your Own Pretrained MXNet or TensorFlow Models into Amazon. SageMaker ](https://aws.amazon.com/blogs/machine-learning/bring-your-own-pre-trained-mxnet-or-tensorflow-models-into-amazon-sagemaker/) Questo tutorial spiega come trasferire gli artefatti del modello addestrato nell' SageMaker IA e ospitarli in un endpoint.