Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

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。

用于深度学习的预构建 SageMaker Docker 镜像

Amazon SageMaker 提供预构建的 Docker 镜像，其中包括深度学习框架以及训练和推理所需的其他依赖项。有关由管理的预构建 Docker 镜像的完整列表 SageMaker，请参阅 Docker 注册表路径和示例代码。

使用 SageMaker Python 开发工具包

借助 SageMaker Python SDK，您可以使用这些常用的深度学习框架训练和部署模型。有关安装和使用软件开发工具包的说明，请参阅 Amaz SageMaker on Python 软件开发工具包。下表列出了可用框架以及如何将它们与 SageMaker Python SDK 配合使用的说明：

扩展预构建的 SageMaker Docker 镜像

您可以自定义这些预建容器或根据需要对其进行扩展。通过此自定义，您可以处理预构建的 SageMaker Docker 镜像不支持的算法或模型的任何其他功能要求。有关示例，请参阅通过扩展现有 PyTorch 容器， SageMaker 使用您自己的脚本和数据集微调和部署 BerTopic 模型。

您还可以使用预构建的容器来部署您的自定义模型或已在其他框架中训练过的模型。 SageMaker有关流程的概述，请参阅将您自己的预训练 MXnet TensorFlow 或模型带入亚马逊。 SageMaker本教程介绍如何将经过训练的模型工件引入端点 SageMaker 并将其托管在端点。