Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Überblick: Führen Sie Verarbeitungsaufträge mithilfe eines Geodatencontainers aus `ProcessingJob` SageMaker
<a name="geospatial-custom-operations-overview"></a>

**Anmerkung**  
Die Funktionen von Amazon SageMaker Geospatial stehen Neukunden nicht mehr zur Verfügung. Verschieben Sie alle zuvor gespeicherten Jobs mithilfe der [ ExportVectorEnrichmentJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ExportVectorEnrichmentJob.html) API-Operationen [ ExportEarthObservationJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ExportEarthObservationJob.html) und nach Amazon S3.

SageMaker Geospatial bietet einen speziell entwickelten Verarbeitungscontainer,. `081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest` Sie können diesen Container verwenden, wenn Sie einen Auftrag mit Amazon Processing ausführen. SageMaker Wenn Sie eine Instanz der [`ProcessingJob`](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) Klasse erstellen, die über das * Amazon SageMaker Python SDK for Processing verfügbar ist*, geben Sie dies an`image_uri`.

**Anmerkung**  
Wenn Sie beim Versuch, einen Verarbeitungsauftrag zu starten, eine  ResourceLimitExceeded  Fehlermeldung erhalten, müssen Sie eine Kontingenterhöhung beantragen. Informationen zur Beantragung einer Quotenerhöhung für Service Quotas finden Sie unter [Beantragung einer Quotenerhöhung](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) im *Service Quotas-Benutzerhandbuch* 

**Voraussetzungen für die Verwendung von `ProcessingJob`**

1. Sie haben ein Python Skript erstellt, das Ihre Geospatial-ML-Arbeitslast spezifiziert.

1. Sie haben der SageMaker KI-Ausführungsrolle Zugriff auf alle Amazon S3-Buckets gewährt, die benötigt werden.

1. Bereiten Sie Ihre Daten für den Import in den Container vor. Amazon SageMaker Processing-Jobs unterstützen entweder das Setzen von „`s3_data_type`Gleich“ `"ManifestFile"` oder „Bis“. `"S3Prefix"`

Das folgende Verfahren zeigt Ihnen, wie Sie mithilfe des SageMaker Geospatial-Containers eine Instanz von Amazon SageMaker Processing-Jobs erstellen `ProcessingJob` und senden.

**Um eine `ProcessingJob` Instanz zu erstellen und einen Amazon SageMaker Processing-Auftrag mithilfe eines SageMaker Geodatencontainers einzureichen**

1. Instanziieren Sie eine Instanz der `ProcessingJob` Klasse mithilfe des Geodatenbilds: SageMaker 

   ```
   from sagemaker.core.processing import Processor, ProcessingInput, ProcessingOutput
   from sagemaker.core.helper.session_helper import Session, get_execution_role
   	
   sm_session = Session()
   execution_role_arn = get_execution_role()
   
   # purpose-built geospatial container
   image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest'
   
   script_processor = Processor(
   	command=['python3'],
   	image_uri=image_uri,
   	role={{execution_role_arn}},
   	instance_count=4,
   	instance_type='ml.m5.4xlarge',
   	sagemaker_session={{sm_session}}
   )
   ```

   {{execution\_role\_arn}}Ersetzen Sie ihn durch den ARN der SageMaker KI-Ausführungsrolle, die Zugriff auf die in Amazon S3 gespeicherten Eingabedaten hat, und auf alle anderen AWS Services, die Sie in Ihrem Verarbeitungsauftrag aufrufen möchten. Sie können die `instance_count` und die `instance_type` aktualisieren, um sie an die Anforderungen Ihres Verarbeitungsjobs anzupassen.

1. Verwenden Sie die folgende `.run()` Methode, um einen Verarbeitungsjob zu starten:

   ```
   # Can be replaced with any S3 compliant string for the name of the folder.
   s3_folder = {{geospatial-data-analysis}}
   
   # Use .default_bucket() to get the name of the S3 bucket associated with your current SageMaker session
   s3_bucket = sm_session.default_bucket()
   					
   s3_manifest_uri = f's3://{s3_bucket}/{s3_folder}/manifest.json'
   s3_prefix_uri =  f's3://{s3_bucket}/{s3_folder}/image-prefix
   
   script_processor.run(
   	code='{{preprocessing.py}}',
   	inputs=[
   		ProcessingInput(
   			source={{s3_manifest_uri}} | {{s3_prefix_uri}} ,
   			destination='/opt/ml/processing/input_data/',
   			s3_data_type= {{"ManifestFile" }}| {{"S3Prefix"}},
   			s3_data_distribution_type= {{"ShardedByS3Key"}} | {{"FullyReplicated"}}
   		)
   	],
   	outputs=[
           ProcessingOutput(
               source='/opt/ml/processing/output_data/',
               destination=s3_output_prefix_url
           )
       ]
   )
   ```
   + {{preprocessing.py}}Ersetzen Sie es durch den Namen Ihres eigenen Python-Datenverarbeitungsskripts.
   + Ein Verarbeitungsjob unterstützt zwei Methoden zum Formatieren Ihrer Eingabedaten. Sie können entweder eine Manifestdatei erstellen, die auf alle Eingabedaten für Ihren Verarbeitungsauftrag verweist, oder Sie können für jede einzelne Dateneingabe ein gemeinsames Präfix verwenden. Wenn Sie eine Manifestdatei erstellt haben, die `s3_manifest_uri` gleich `"ManifestFile"` ist. Wenn Sie ein Dateipräfix verwendet haben, das `s3_manifest_uri` gleich `"S3Prefix"` gesetzt ist. Sie geben den Pfad zu Ihren Daten mit `source` an.
   + Sie können die Daten Ihres Verarbeitungsauftrags auf zwei Arten verteilen:
     + Verteilen Sie Ihre Daten auf alle Verarbeitungsinstances, indem Sie `s3_data_distribution_type` gleich `FullyReplicated` setzen.
     + Verteilen Sie Ihre Daten auf der Grundlage des Amazon S3-Schlüssels in Shards, indem Sie `s3_data_distribution_type` gleich `ShardedByS3Key` setzen. Bei der Verwendung von `ShardedByS3Key` wird an jede Verarbeitungsinstance ein Datenbruchstück gesendet.

    Sie können ein Skript verwenden, um SageMaker Geodaten zu verarbeiten. Dieses Skript finden Sie in [Schritt 3: Schreiben eines Skripts, das den NDVI berechnen kann](geospatial-custom-operations-procedure.md#geospatial-custom-operations-script-mode). Weitere Informationen zum `.run()` API-Betrieb finden Sie [`run`](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) im * Amazon SageMaker Python SDK for Processing*.

Um den Fortschritt Ihres Verarbeitungsauftrags zu überwachen, unterstützt die `ProcessingJobs` Klasse eine [`describe`](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) Methode. Diese Methode gibt eine Antwort vom `DescribeProcessingJob` API-Aufruf zurück. Weitere Informationen finden Sie [`DescribeProcessingJob` in der * Amazon SageMaker AI API-Referenz *](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeProcessingJob.html).

Im nächsten Thema erfahren Sie, wie Sie mithilfe des SageMaker Geospatial-Containers eine Instanz der `ProcessingJob` Klasse erstellen und diese dann verwenden, um den Normalized Difference Vegetation Index (NDVI) mit Bildern zu berechnen. Sentinel-2