Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Tipos de instancias y marcos compatibles
Amazon SageMaker Neo es compatible con los marcos de aprendizaje profundo más populares tanto para la compilación como para la implementación. Puede implementar su modelo en instancias en la nube o en tipos de instancias de AWS Inferentia.
A continuación, se describen los marcos compatibles con SageMaker Neo y las instancias de nube de destino en las que puede compilar e implementar. Para obtener información sobre cómo implementar su modelo compilado en una instancia de nube o de Inferentia, consulte [Implementación de un modelo con instancias de nube](https://docs.aws.amazon.com/sagemaker/latest/dg/neo-deployment-hosting-services.html).
## Instancias en la nube
SageMaker Neo admite los siguientes marcos de aprendizaje profundo para las instancias de nube de CPU y GPU:
| Marcos | Versión de marco | Versión del modelo | Modelos | Formatos de modelo (empaquetados en \*.tar.gz) | Kits de herramientas |
| --- | --- | --- | --- | --- | --- |
| MXNet | 1.8.0 | Compatible con 1.8.0 o versiones anteriores | Clasificación de imágenes, detección de objetos, segmentación semántica, estimación de poses, reconocimiento de actividades | Un archivo de símbolos (.json) y un archivo de parámetros (.params) | GluonCV v0.8.0 |
| ONNX | 1.7.0 | Compatible con 1.7.0 o versiones anteriores | Clasificación de imágenes, SVM | Un archivo de modelos (.onnx) | |
| Keras | 2.2.4 | Compatible con 2.2.4 o versiones anteriores | Clasificación de imágenes | Un archivo de definición de modelo (.h5) | |
| PyTorch | 1.4, 1.5, 1.6, 1.7, 1.8, 1.12, 1.13 o 2.0 | Compatible con 1.4, 1.5, 1.6, 1.7, 1.8, 1.12, 1.13 y 2.0 | Clasificación de imágenes
Las versiones 1.13 y 2.0 son compatibles con Object Detection, Vision Transformer y HuggingFace | Un archivo de definición de modelo (.pt o.pth) con la entrada dtype de float32 | |
| TensorFlow | 1.15.3 o 2.9 | Compatible con 1.15.3 y 2.9 | Clasificación de imágenes | En el caso de los modelos guardados, un archivo .pb o .pbtxt y un directorio de variables que contiene variables
En el caso de los modelos congelados, un solo archivo .pb o .pbtxt | |
| XGBoost | 1.3.3 | Compatible con 1.3.3 o versiones anteriores | Árboles de decisión | Un archivo de modelo de XGBoost (.model) en el que el número de nodos de un árbol es inferior a 2^31 | |
**nota**
La “versión del modelo” es la versión del marco utilizada para formar y exportar el modelo.
## Tipos de instancias
Puede implementar su modelo compilado de SageMaker IA en una de las instancias de nube que se indican a continuación:
| Instancia | Tipo de computación |
| --- | --- |
| `ml_c4` | Standard |
| `ml_c5` | Standard |
| `ml_m4` | Standard |
| `ml_m5` | Standard |
| `ml_p2` | Computación acelerada |
| `ml_p3` | Computación acelerada |
| `ml_g4dn` | Computación acelerada |
Para obtener información sobre la vCPU, la memoria y el precio por hora disponibles para cada tipo de instancia, consulta los precios de [Amazon SageMaker ](https://aws.amazon.com/sagemaker/pricing/).
**nota**
Al compilar `ml_*` instancias mediante un PyTorch marco, utilice el campo de **opciones del compilador** en la **configuración de salida** para proporcionar el tipo de datos correcto (`dtype`) de la entrada del modelo.
El valor predeterminado se establece en `"float32"`.
## AWS Inferentia
SageMaker Neo es compatible con los siguientes marcos de aprendizaje profundo para Inf1:
| Marcos | Versión de marco | Versión del modelo | Modelos | Formatos de modelo (empaquetados en \*.tar.gz) | Kits de herramientas |
| --- | --- | --- | --- | --- | --- |
| MXNet | 1.5 o 1.8 | Compatible con 1.8, 1.5 y versiones anteriores | Clasificación de imágenes, detección de objetos, segmentación semántica, estimación de poses, reconocimiento de actividades | Un archivo de símbolos (.json) y un archivo de parámetros (.params) | GluonCV v0.8.0 |
| PyTorch | 1.7, 1.8 o 1.9 | Compatible con 1.9 y versiones anteriores | Clasificación de imágenes | Un archivo de definición de modelo (.pt o.pth) con la entrada dtype de float32 | |
| TensorFlow | 1.15 o 2.5 | Compatible con 2.5, 1.15 y versiones anteriores | Clasificación de imágenes | En el caso de los modelos guardados, un archivo .pb o .pbtxt y un directorio de variables que contiene variables
En el caso de los modelos congelados, un solo archivo .pb o .pbtxt | |
**nota**
La “versión del modelo” es la versión del marco utilizada para formar y exportar el modelo.
Puede implementar su SageMaker Neo-compiled modelo en las instancias Inf1 de AWS Inferentia-based Amazon EC2. AWS Inferentia es el primer chip de silicio personalizado de Amazon diseñado para acelerar el aprendizaje profundo. Actualmente, puede usar la instancia `ml_inf1` para implementar sus modelos compilados.
### AWS Inferentia2 y AWS Trainium
Actualmente, puede implementar su SageMaker Neo-compiled modelo en las instancias Inf2 de AWS Inferentia2-based Amazon EC2 (en la región EE.UU. Este (Ohio)) y en las instancias Trn1 de AWS Trainium-based Amazon EC2 (en la región EE.UU. Este (Norte de Virginia)). [Para obtener más información sobre los modelos compatibles con estas instancias, consulte las [pautas de ajuste de la arquitectura de modelos](https://awsdocs-neuron.readthedocs-hosted.com/en/latest/general/arch/model-architecture-fit.html) en la documentación de AWS Neuron y los ejemplos en el repositorio de Github de Neuron.](https://github.com/aws-neuron/aws-neuron-sagemaker-samples)