Repolode
Enviar
aws

aws/sagemaker-python-sdk

SDK de Python para entrenar y desplegar modelos de machine learning en Amazon SageMaker, con frameworks, algoritmos integrados y contenedores propios.

Ver en GitHubSitio web
Estrellas
2,270
Forks
1,317
Issues abiertos
237
Último commit
ayer

¿Qué es?

SageMaker Python SDK es una biblioteca de código abierto para entrenar y desplegar modelos de machine learning en Amazon SageMaker. Permite a los desarrolladores ejecutar trabajos de entrenamiento y alojar modelos desde código Python, usando frameworks de deep learning como PyTorch y MXNet, los algoritmos integrados de Amazon o algoritmos personalizados empaquetados en contenedores Docker compatibles con SageMaker.

La versión 3.x se centra en clases unificadas: ModelTrainer para el entrenamiento y ModelBuilder para el despliegue y la inferencia, que sustituyen a las clases Estimator y Model específicas de cada framework de la versión 2.x. La línea 3.x se divide en paquetes independientes de PyPI para core, training, serving y MLOps. También incluye trainers para ajustar modelos (SFT, DPO, RLAIF, RLVR) en la versión 3.1 y posteriores.

El SDK es compatible con Unix/Linux y macOS, y con Python 3.10 a 3.12. Para usarlo, se necesita una cuenta de AWS y un rol de IAM con permisos de SageMaker.

Funciones clave

  • 01Entrenar modelos con PyTorch, MXNet y otros frameworks en SageMaker.
  • 02Usar algoritmos integrados de Amazon o aportar un contenedor Docker propio.
  • 03Desplegar modelos entrenados en endpoints en tiempo real con ModelBuilder.
  • 04Ajustar modelos fundacionales mediante LoRA o fine-tuning completo.
  • 05Instalar paquetes modulares para core, training, serving y MLOps.

Casos de uso

  • Ejecutar trabajos de entrenamiento distribuido desde Python en instancias GPU administradas de AWS.
  • Desplegar un modelo entrenado como endpoint de inferencia en tiempo real.
  • Ajustar un modelo de lenguaje grande con datos personalizados en AWS.
  • Crear pipelines de MLOps con un registro de modelos y trabajos de procesamiento.

Inicio rápido

  1. 1

    Instala el SDK desde PyPI con pip

    pip install sagemaker

Antes de usarlo

  • Está dirigido a Amazon SageMaker, por lo que requiere una cuenta de AWS y permisos de IAM.
  • Según el README, solo es compatible con Unix/Linux y Mac.
  • La versión 3.x elimina las clases Estimator, Model y Predictor de la versión 2.

Temas

#aws#machine-learning#sagemaker#pytorch#deep-learning#mlops#model-deployment#huggingface#mxnet#python

Preguntas frecuentes

¿Qué es sagemaker-python-sdk?
SDK de Python para entrenar y desplegar modelos de machine learning en Amazon SageMaker, con frameworks, algoritmos integrados y contenedores propios. SageMaker Python SDK es una biblioteca de código abierto para entrenar y desplegar modelos de machine learning en Amazon SageMaker. Permite a los desarrolladores ejecutar trabajos de entrenamiento y alojar modelos desde código Python, usando frameworks de deep learning como PyTorch y MXNet, los algoritmos integrados de Amazon o algoritmos personalizados empaquetados en contenedores Docker compatibles con SageMaker.
¿sagemaker-python-sdk es gratuito? ¿Qué licencia tiene?
sagemaker-python-sdk es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿sagemaker-python-sdk sigue mantenido?
Mantenimiento activo. El último commit de sagemaker-python-sdk fue el 23 oct 2026.
¿Para qué puedo usar sagemaker-python-sdk?
Ejecutar trabajos de entrenamiento distribuido desde Python en instancias GPU administradas de AWS. Desplegar un modelo entrenado como endpoint de inferencia en tiempo real. Ajustar un modelo de lenguaje grande con datos personalizados en AWS. Crear pipelines de MLOps con un registro de modelos y trabajos de procesamiento.
¿Cómo se instala sagemaker-python-sdk?
Instala el SDK desde PyPI con pip: pip install sagemaker
¿Dónde consigo sagemaker-python-sdk?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/aws/sagemaker-python-sdk

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados