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 le deep learning
<a name="pre-built-containers-frameworks-deep-learning"></a>

Amazon SageMaker AI fournit des images Docker prédéfinies qui incluent des frameworks d'apprentissage profond et d'autres dépendances nécessaires à la formation et à l'inférence. Pour une liste complète des images Docker prédéfinies gérées par l' SageMaker IA, voir [Chemins de registre Docker et](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths.html) exemple de code.

## 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 [https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk). Le tableau suivant répertorie les frameworks disponibles et les instructions pour les utiliser avec le [SDK SageMaker Python](https://github.com/aws/sagemaker-python-sdk#installing-the-sagemaker-python-sdk) :


| Cadre | Instructions | 
| --- | --- | 
| TensorFlow | [Utilisation TensorFlow avec le SDK SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/using_tf.html) | 
| MXNet | [Utilisation de MXnet avec le SDK Python SageMaker ](https://sagemaker.readthedocs.io/en/stable/frameworks/mxnet/using_mxnet.html) | 
| PyTorch | [Utilisation PyTorch avec le SDK SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/pytorch/using_pytorch.html) | 
| Chainer | [Utilisation de Chainer avec le SDK SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/chainer/using_chainer.html) | 
| Hugging Face | [Utilisation de Hugging Face avec le SDK SageMaker Python](https://sagemaker.readthedocs.io/en/stable/frameworks/huggingface/index.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 toute exigence fonctionnelle supplémentaire pour votre algorithme ou modèle que l'image SageMaker AI Docker prédéfinie ne prend pas en charge. À titre d'exemple, consultez [Fine-tuning et déployez un modèle BERtopic sur l' SageMaker IA avec vos propres scripts et ensembles de données, en étendant les PyTorch conteneurs existants](https://sagemaker-examples.readthedocs.io/en/latest/advanced_functionality/pytorch_extend_container_train_deploy_bertopic/BERTtopic_extending_container.html).

Vous pouvez également utiliser des conteneurs prédéfinis pour déployer vos modèles personnalisés ou des modèles formés dans un cadre autre que l' SageMaker IA. Pour un aperçu du processus, consultez [Bring Your Own Pretrained MXnet TensorFlow or Models into Amazon](https://aws.amazon.com/blogs/machine-learning/bring-your-own-pre-trained-mxnet-or-tensorflow-models-into-amazon-sagemaker/). SageMaker Ce didacticiel explique comment intégrer les artefacts du modèle entraîné dans l' SageMaker IA et les héberger sur un terminal.