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.

# Connexion aux HyperPod clusters et soumission de tâches aux clusters
<a name="sagemaker-hyperpod-studio-open"></a>

Vous pouvez lancer des charges de travail de machine learning sur des HyperPod clusters au sein des IDE Amazon SageMaker Studio. Lorsque vous lancez Studio IDE sur un HyperPod cluster, un ensemble de commandes est disponible pour vous aider à démarrer. Vous pouvez travailler sur vos scripts d’entraînement, utiliser des conteneurs Docker pour les scripts d’entraînement et soumettre des tâches au cluster, le tout à partir des environnements IDE de Studio. La section suivante fournit des informations sur la façon de connecter votre cluster aux environnements IDE Studio.

Dans Amazon SageMaker Studio, vous pouvez accéder à l'un de vos clusters dans **HyperPodclusters** (sous **Compute**) et consulter votre liste de clusters. Vous pouvez connecter votre cluster à un environnement IDE répertorié sous **Actions**. 

Vous pouvez également choisir votre système de fichiers personnalisé dans la liste des options. Pour en savoir plus sur la façon d’obtenir cette configuration, consultez [Configuration HyperPod dans Studio](sagemaker-hyperpod-studio-setup.md).

Sinon, vous pouvez créer un espace et lancer un environnement IDE à l’aide de l’ AWS CLI. Pour cela, utilisez les commandes suivantes. L’exemple suivant crée un espace `Private` `JupyterLab` pour `{{user-profile-name}}` auquel est attaché le système de fichiers `{{fs-id}}` FSx pour Lustre.

1. Créez un espace à l'aide du [https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html) AWS CLI.

   ```
   aws sagemaker create-space \
   --region {{your-region}} \
   --ownership-settings "OwnerUserProfileName={{user-profile-name}}" \
   --space-sharing-settings "SharingType=Private" \
   --space-settings "AppType=JupyterLab,CustomFileSystems=[{FSxLustreFileSystem={FileSystemId={{fs-id}}}}]"
   ```

1. Créez l'application à l'aide du [https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-app.html](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-app.html) AWS CLI.

   ```
   aws sagemaker create-app \
   --region {{your-region}} \
   --space-name {{space-name}} \
   --resource-spec '{"ec2InstanceType":"'"{{instance-type}}"'","appEnvironmentArn":"'"{{image-arn}}"'"}'
   ```

Une fois vos applications ouvertes, vous pouvez envoyer des tâches directement aux clusters auxquels vous êtes connecté.