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.

# Utiliser un estimateur basé sur l' SageMaker IA pour exécuter une tâche de formation
<a name="docker-containers-adapt-your-own-private-registry-estimator"></a>

Vous pouvez également utiliser un [estimateur](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html) du SDK SageMaker Python pour gérer la configuration et l'exécution de votre SageMaker tâche de formation. Les exemples de code suivants montrent comment configurer et exécuter un estimateur à l’aide d’images provenant d’un registre Docker privé.

1. Importez les bibliothèques et dépendances requises, comme indiqué dans l’exemple de code suivant.

   ```
   import boto3
   import sagemaker
   from sagemaker.estimator import Estimator
   
   session = sagemaker.Session()
   
   role = sagemaker.get_execution_role()
   ```

1. Fournissez un identifiant de ressource uniforme (URI) à votre image d’entraînement, à vos groupes de sécurité et à vos sous-réseaux dans la configuration du VPC pour votre tâche d’entraînement, comme indiqué dans l’exemple de code suivant.

   ```
   image_uri = "myteam.myorg.com/docker-local/my-training-image:<IMAGE-TAG>"
   
   security_groups = ["sg-0123456789abcdef0"]
   subnets = ["subnet-0123456789abcdef0", "subnet-0123456789abcdef0"]
   ```

   Pour plus d'informations sur `security_group_ids` et`subnets`, consultez la description des paramètres appropriés dans la section [Estimateurs](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html) du SDK SageMaker Python.
**Note**  
SageMaker L'IA utilise une connexion réseau au sein de votre VPC pour accéder aux images de votre registre Docker. Pour utiliser ces images dans votre registre Docker à des fins d’entraînement, le registre doit être accessible à partir d’un Amazon VPC dans votre compte.

1. Facultativement, si votre registre Docker nécessite une authentification, vous devez également spécifier l'Amazon Resource Name (ARN) d'une AWS Lambda fonction qui fournit des informations d'accès à SageMaker AI. L’exemple de code suivant montre comment spécifier l’ARN. 

   ```
   training_repository_credentials_provider_arn = "arn:aws:lambda:us-west-2:1234567890:function:test"
   ```

   Pour plus d’informations sur l’utilisation d’images dans un registre Docker nécessitant une authentification, consultez **Utilisation d’un registre Docker nécessitant une authentification pour l’entraînement** ci-dessous.

1. Utilisez les exemples de code des étapes précédentes pour configurer un estimateur, comme indiqué dans l’exemple de code suivant.

   ```
   # The training repository access mode must be 'Vpc' for private docker registry jobs 
   training_repository_access_mode = "Vpc"
   
   # Specify the instance type, instance count you want to use
   instance_type="ml.m5.xlarge"
   instance_count=1
   
   # Specify the maximum number of seconds that a model training job can run
   max_run_time = 1800
   
   # Specify the output path for the model artifacts
   output_path = "s3://your-output-bucket/your-output-path"
   
   estimator = Estimator(
       image_uri=image_uri,
       role=role,
       subnets=subnets,
       security_group_ids=security_groups,
       training_repository_access_mode=training_repository_access_mode,
       training_repository_credentials_provider_arn=training_repository_credentials_provider_arn,  # remove this line if auth is not needed
       instance_type=instance_type,
       instance_count=instance_count,
       output_path=output_path,
       max_run=max_run_time
   )
   ```

1. Commencez votre tâche d’entraînement en appelant `estimator.fit` avec votre nom de tâche et le chemin d’entrée comme paramètres, comme indiqué dans l’exemple de code suivant.

   ```
   input_path = "s3://your-input-bucket/your-input-path"
   job_name = "your-job-name"
   
   estimator.fit(
       inputs=input_path,
       job_name=job_name
   )
   ```