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.

Erstellen Sie mithilfe der API einen Trainingsjob, AWS CLI, SageMaker SDK

Um SageMaker Trainingspläne für Ihren SageMaker Trainingsjob zu verwenden, geben Sie ResourceConfig beim Aufruf der CreateTrainingJob API-Operation den TrainingPlanArn Parameter des gewünschten Plans an. Es kann genau ein Plan pro Job verwenden.

Führen Sie mithilfe der CLI einen Trainingsjob für einen Plan aus

Das folgende Beispiel zeigt, wie Sie einen SageMaker Trainingsjob erstellen und ihn mithilfe des TrainingPlanArn Attributs im create-training-job AWS CLI Befehl einem bereitgestellten Trainingsplan zuordnen.

Weitere Informationen zum Erstellen eines Trainingsjobs mithilfe des AWS CLI CreateTrainingJob Befehls finden Sie unter create-training-job.

# Create a training job
aws sagemaker create-training-job \
  --training-job-name training-job-name \
  ...
    
  --resource-config '{
        "InstanceType": "ml.p5.48xlarge",
        "InstanceCount": 8,
        "VolumeSizeInGB": 10,
        "TrainingPlanArn": "training-plan-arn"
        }
    }' \
    ...

Mit diesem AWS CLI Beispielbefehl wird ein neuer Trainingsjob in der SageMaker KI erstellt, indem ein Trainingsplan im --resource-config Argument übergeben wird.

aws sagemaker create-training-job \
  --training-job-name job-name \
  --role-arn arn:aws:iam::111122223333:role/DataAndAPIAccessRole \
  --algorithm-specification '{"TrainingInputMode": "File","TrainingImage": "111122223333.dkr.ecr.us-east-1.amazonaws.com/algo-image:tag", "ContainerArguments": [" "]}' \
  --input-data-config '[{"ChannelName":"training","DataSource":{"S3DataSource":{"S3DataType":"S3Prefix","S3Uri":"s3://bucketname/input","S3DataDistributionType":"ShardedByS3Key"}}}]' \
  --output-data-config '{"S3OutputPath": "s3://bucketname/output"}' \
  --resource-config '{"VolumeSizeInGB":10,"InstanceCount":4,"InstanceType":"ml.p5.48xlarge", "TrainingPlanArn" : "arn:aws:sagemaker:us-east-1:111122223333:training-plan/plan-name"}' \
  --stopping-condition '{"MaxRuntimeInSeconds": 1800}' \
  --region us-east-1 

Nachdem Sie den Trainingsjob erstellt haben, können Sie überprüfen, ob er dem Trainingsplan ordnungsgemäß zugewiesen wurde, indem Sie die DescribeTrainingJob API aufrufen.

aws sagemaker describe-training-job --training-job-name training-job-name

Führen Sie mithilfe des SageMaker AI Python SDK einen Trainingsjob auf einem Plan aus

Alternativ können Sie mithilfe des SageMaker Python-SDK einen Trainingsjob erstellen, der einem Trainingsplan zugeordnet ist.

Wenn Sie das SageMaker Python-SDK JupyterLab in Studio verwenden, um einen Trainingsjob zu erstellen, stellen Sie sicher, dass die Ausführungsrolle, die von dem Bereich verwendet wird, auf dem Ihre JupyterLab Anwendung ausgeführt wird, über die erforderlichen Berechtigungen zur Verwendung von SageMaker Trainingsplänen verfügt. Weitere Informationen zu den erforderlichen Berechtigungen für die Verwendung von SageMaker Trainingsplänen finden Sie unterIAM für SageMaker Trainingspläne.

Das folgende Beispiel zeigt, wie Sie einen SageMaker Trainingsjob erstellen und ihn mit einem bereitgestellten Trainingsplan verknüpfen, indem Sie das training_plan Attribut im ModelTrainer Objekt verwenden, wenn Sie das SageMaker Python-SDK verwenden.

Weitere Informationen dazu finden Sie unter Verwenden Sie einen SageMaker ModelTrainer, SageMaker ModelTrainer um einen Trainingsjob auszuführen.

import boto3
from sagemaker.core.helper.session_helper import get_execution_role
from sagemaker.train import ModelTrainer
from sagemaker.train.configs import InputData
from sagemaker.train.configs import Compute, SourceCode
from sagemaker.core.shapes import OutputDataConfig

# Set up the session and SageMaker client
session = boto3.Session()
region = session.region_name
sagemaker_session = session.client('sagemaker')

# Get the execution role for the training job
role = get_execution_role()

# Define the input data configuration
trainingInput = InputData(
    channel_name='training',
    data_source='s3://input-path'
)

model_trainer = ModelTrainer(
    training_image="123456789123.dkr.ecr.{}.amazonaws.com/image:tag",
    source_code=SourceCode(entry_script='train.py'),
    role=role,
    compute=Compute(
        instance_type='ml.p5.48xlarge',
        instance_count=4,
        volume_size_in_gb=20,
        training_plan_arn="training-plan-arn"
    ),
    output_data_config=OutputDataConfig(s3_output_path="s3://output-path")
)

# Create the training job
model_trainer.train(input_data_config=[trainingInput])

Nachdem Sie den Trainingsjob erstellt haben, können Sie überprüfen, ob er dem Trainingsplan ordnungsgemäß zugewiesen wurde, indem Sie die DescribeTrainingJob API aufrufen.

# Check job details
sagemaker_session.describe_training_job(TrainingJobName=job_name)