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.

# Exemple de code HuggingFaceProcessor à utiliser dans le SDK Amazon SageMaker Python
<a name="processing-job-frameworks-hugging-face"></a>

Hugging Face est un fournisseur open source de modèles de traitement du langage naturel (NLP). Le `HuggingFaceProcessor` SDK Amazon SageMaker Python vous permet d'exécuter des tâches de traitement à l'aide de scripts Hugging Face. Lorsque vous utilisez le `HuggingFaceProcessor`, vous pouvez exploiter un conteneur Docker créé par Amazon avec un environnement Hugging Face géré afin que de ne pas devoir apporter votre propre conteneur.

L'exemple de code suivant montre comment vous pouvez utiliser le `HuggingFaceProcessor` pour exécuter votre tâche de traitement à l'aide d'une image Docker fournie et gérée par SageMaker AI. Notez que lorsque vous exécutez la tâche, vous pouvez spécifier un répertoire contenant vos scripts et dépendances dans l'`source_dir`argument, et vous pouvez avoir un `requirements.txt` fichier situé dans votre `source_dir` répertoire qui spécifie les dépendances de vos scripts de traitement. SageMaker Le traitement installe les dépendances `requirements.txt` dans le conteneur pour vous.

```
from sagemaker.huggingface import HuggingFaceProcessor
from sagemaker.processing import ProcessingInput, ProcessingOutput
from sagemaker import get_execution_role

#Initialize the HuggingFaceProcessor
hfp = HuggingFaceProcessor(
    role=get_execution_role(), 
    instance_count=1,
    instance_type='ml.g4dn.xlarge',
    transformers_version='4.4.2',
    pytorch_version='1.6.0', 
    base_job_name='frameworkprocessor-hf'
)

#Run the processing job
hfp.run(
    code='processing-script.py',
    source_dir='scripts',
    inputs=[
        ProcessingInput(
            input_name='data',
            source=f's3://{BUCKET}/{S3_INPUT_PATH}',
            destination='/opt/ml/processing/input/data/'
        )
    ],
    outputs=[
        ProcessingOutput(output_name='train', source='/opt/ml/processing/output/train/', destination=f's3://{BUCKET}/{S3_OUTPUT_PATH}'),
        ProcessingOutput(output_name='test', source='/opt/ml/processing/output/test/', destination=f's3://{BUCKET}/{S3_OUTPUT_PATH}'),
        ProcessingOutput(output_name='val', source='/opt/ml/processing/output/val/', destination=f's3://{BUCKET}/{S3_OUTPUT_PATH}')
    ]
)
```

Si vous avez un fichier `requirements.txt`, il doit s'agir d'une liste de bibliothèques que vous souhaitez installer dans le conteneur. Le chemin d'accès pour `source_dir` peut être un chemin d'accès relatif, absolu ou par URI Amazon S3. Toutefois, si vous utilisez un chemin d'accès par URI Amazon S3, celui-ci doit pointer vers un fichier tar.gz. Vous pouvez disposer de plusieurs scripts dans le répertoire que vous spécifiez pour `source_dir`. Pour en savoir plus sur cette `HuggingFaceProcessor` classe, consultez [Hugging Face](https://sagemaker.readthedocs.io/en/stable/frameworks/huggingface/sagemaker.huggingface.html) Estimator dans le SDK *Amazon SageMaker AI Python*.