本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
将 Docker 容器用于 SageMaker
亚马逊 SageMaker 广泛使用Docker 容器用于构建和运行时任务。 SageMaker 为其内置算法提供了预构建的 Docker 映像，并且提供了支持的深度学习框架以用于训练和推理。使用容器，您可以在任意规模快速可靠地训练机器学习算法并部署模型。本节中的主题展示了如何为自己的使用案例部署这些容器。有关如何携带自己的容器以便与亚马逊一起使用的信息 SageMaker 工作室，请参阅自带 SageMaker 图像.
主题
使用 运行脚本、训练算法或部署模型的场景 SageMaker
亚马逊 SageMaker 在运行脚本、训练算法和部署模型时，始终使用 Docker 容器。但是，您与容器的参与程度取决于您的使用案例。
-
使用内置 SageMaker 算法或框架. 对于大多数使用案例，您可以使用内置算法和框架而不必担心容器。您可以从 SageMaker 控制台，Amazon Command Line Interface(Amazon CLI)、Python 笔记本或亚马逊 SageMaker Python 开发工具包
通过在创建 Estastator 时指定算法或框架版本。可用的内置算法将会分项列出，并且在使用 Amazon SageMaker 内置算法或预训练模型主题中进行了介绍。有关可用框架的更多信息，请参阅ML 框架和工具包. 有关如何使用在中运行的 Jupyter 笔记本训练和部署内置算法的示例，请参阅一个示例。 SageMaker 笔记本实例，请参阅开始使用 Amazon SageMaker主题。 -
使用预构建的 SageMaker 容器镜像. 或者，您可以使用 Docker 容器使用内置算法和框架。 SageMaker 为其内置算法提供了容器，并为一些最常见的机器学习框架提供了预构建的 Docker 映像，如 Apache MXNet、TensorFlow、PyTorch 和 Chainer。有关可用的完整列表 SageMaker 图片，请参阅可用的 Deep Learning Containers 映像
. 它还支持机器学习库，如 scikit-learn 和 SparkML。如果您将亚马逊 SageMaker Python 开发工具包 ，您可以通过将完整的容器 URI 传递给各自的容器 URI 来部署容器 SageMaker 开发工具包 Estimator类。有关 SageMaker 当前支持的深度学习框架的完整列表，请参阅用于深度学习的预构建 SageMaker Docker 镜像. 有关 scikit-learn 和 SparkML 预构建容器映像的信息，请参阅预构建的 Amazon SageMaker Scikit-learn 和 Spark ML 的 Docker 映像 . 有关将框架与亚马逊 SageMaker Python 开发工具包，请参阅中的各自主题将 Machine Learning 框架、Python 和 R 与 Amazon SageMaker 结合使用. -
扩展预构建的 SageMaker 容器镜像. 如果您想扩展预构建的 SageMaker 算法或模型 Docker 镜像，你可以修改 SageMaker 图片来满足你的需求。有关示例，请参阅 。扩展我们的 PyTorch 容器
. -
调整现有的容器镜像：如果您想调整预先存在的容器映像以便与 SageMaker 配合使用，则需要修改 Docker 容器以启用 SageMaker 培训或推理工具包。有关说明如何构建您自己的容器来训练和托管算法的示例，请参阅使用自己的 R 算法
。