Was sind AWS Deep Learning Containers?
AWS Deep Learning Containers sind vorgefertigte und vollständig getestete Docker-Images, mit denen sich Deep-Learning-Umgebungen laut AWS in Minuten bereitstellen lassen. Statt Frameworks, Treiber und Abhängigkeiten selbst in ein Image zu packen, greifen Sie auf fertige, von AWS gepflegte Images zurück.
Die Images sind auf die jeweiligen Frameworks hin optimiert und lassen sich auf Amazon EC2, Amazon ECS und Amazon EKS sowie in Amazon SageMaker einsetzen. Damit verwenden Trainings- und Inferenz-Workloads dieselbe, reproduzierbare Basis.
Kernfunktionen
- Fertige Docker-Images: Vorgefertigt und vollständig getestet, ohne eigenen Build-Prozess
- Framework-Abdeckung: PyTorch, TensorFlow und Apache MXNet
- Hardware-Optimierung: Varianten für AWS Trainium, AWS Inferentia, AWS Graviton und NVIDIA-GPUs
- Service-Integration: Nutzung auf Amazon EC2, Amazon ECS, Amazon EKS und in Amazon SageMaker
- Dokumentierte Image-Liste: Verfügbare Images und Release Notes im GitHub-Repository aws/deep-learning-containers
Typische Anwendungsfälle
Training auf Kubernetes: Amazon-EKS-Cluster führen Trainingsjobs in den bereitgestellten Images aus, ohne dass jedes Team eigene Basis-Images pflegt.
Inferenz-Endpunkte: Amazon SageMaker nutzt dieselben Images für Inferenz, sodass Trainings- und Produktionsumgebung übereinstimmen.
Fachliche Workloads: AWS nennt als Beispiele autonomes Fahren, Natural Language Processing und die Auswertung von Gesundheitsdaten.
Vorteile
- Kein eigener Aufbau und Test von Framework-Images
- Konsistente Umgebung von der Entwicklung bis zur Produktion
- Optimierte Varianten für AWS-eigene Beschleuniger und NVIDIA-GPUs
- Nachvollziehbare Versionierung über die dokumentierte Image-Liste
Integration mit innFactory
Als AWS Reseller unterstützt innFactory Sie bei AWS Deep Learning Containers: Auswahl passender Images, Aufbau von Trainings- und Inferenz-Pipelines auf EKS oder SageMaker sowie Integration in bestehende CI/CD- und Registry-Prozesse.
Typische Anwendungsfälle
Technische Spezifikationen
Häufig gestellte Fragen
Was sind AWS Deep Learning Containers?
AWS Deep Learning Containers sind vorgefertigte und vollständig getestete Docker-Images, mit denen sich Deep-Learning-Umgebungen laut AWS in Minuten bereitstellen lassen. Die Images sind auf die jeweiligen Frameworks hin optimiert.
Welche Frameworks werden unterstützt?
AWS nennt PyTorch, TensorFlow und Apache MXNet als unterstützte Frameworks. Die jeweils verfügbaren Image-Varianten und Versionen sind im GitHub-Repository aws/deep-learning-containers dokumentiert.
Auf welcher Hardware laufen die Container?
Die Images sind laut AWS auf AWS Trainium, AWS Inferentia, AWS Graviton und NVIDIA-GPUs ausgelegt und werden auf Basis von Ubuntu Linux bereitgestellt.
Mit welchen AWS-Services lassen sie sich nutzen?
AWS nennt Amazon EC2, Amazon ECS und Amazon EKS sowie die Integration mit Amazon SageMaker. Damit werden dieselben Images für Training und Inferenz in unterschiedlichen Ausführungsumgebungen verwendet.
Wo finde ich die verfügbaren Images?
AWS verweist auf das GitHub-Repository aws/deep-learning-containers. Dort sind die verfügbaren Images samt Framework-Version, Prozessortyp und Betriebssystem sowie die Release Notes aufgeführt.
Hinweis: Alle Produktinformationen auf dieser Seite wurden sorgfältig zusammengestellt, sind jedoch ohne Gewähr und können veraltet oder unvollständig sein. Cloud-Services entwickeln sich schnell weiter — Funktionen, Preise, SLAs und Verfügbarkeit ändern sich laufend. Verbindliche und aktuelle Informationen finden Sie ausschließlich auf der offiziellen Produktseite von AWS (offizielle Dokumentation). Diese Seite stellt kein Angebot von AWS dar.