Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Buat pekerjaan pelatihan menggunakan API, AWS CLI, SageMaker SDK

Untuk menggunakan rencana SageMaker pelatihan untuk pekerjaan SageMaker pelatihan Anda, tentukan TrainingPlanArn parameter rencana yang diinginkan di ResourceConfig saat memanggil operasi CreateTrainingJobAPI. Anda dapat menggunakan tepat satu rencana per pekerjaan.

Jalankan pekerjaan pelatihan pada rencana menggunakan CLI

Contoh berikut menunjukkan cara membuat pekerjaan SageMaker pelatihan dan mengaitkannya dengan rencana pelatihan yang disediakan menggunakan TrainingPlanArn atribut dalam create-training-job AWS CLI perintah.

Untuk informasi selengkapnya tentang cara membuat pekerjaan pelatihan menggunakan AWS CLI CreateTrainingJobperintah, lihat 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"
        }
    }' \
    ...

Perintah AWS CLI contoh ini menciptakan pekerjaan pelatihan baru di SageMaker AI yang melewati rencana pelatihan dalam --resource-config argumen.

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 

Setelah membuat pekerjaan pelatihan, Anda dapat memverifikasi bahwa itu telah ditetapkan dengan benar ke rencana pelatihan dengan memanggil DescribeTrainingJob API.

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

Jalankan pekerjaan pelatihan pada rencana menggunakan SageMaker AI Python SDK

Atau, Anda dapat membuat pekerjaan pelatihan yang terkait dengan rencana pelatihan menggunakan SageMaker Python SDK.

Jika Anda menggunakan SageMaker Python SDK dari JupyterLab Studio untuk membuat pekerjaan pelatihan, pastikan bahwa peran eksekusi yang digunakan oleh ruang yang menjalankan JupyterLab aplikasi Anda memiliki izin yang diperlukan untuk menggunakan rencana pelatihan. SageMaker Untuk mempelajari tentang izin yang diperlukan untuk menggunakan rencana SageMaker pelatihan, lihatIAM untuk rencana SageMaker pelatihan.

Contoh berikut menunjukkan cara membuat pekerjaan SageMaker pelatihan dan mengaitkannya dengan rencana pelatihan yang disediakan menggunakan training_plan atribut dalam ModelTrainer objek saat menggunakan SageMaker Python SDK.

Untuk informasi selengkapnya tentang SageMaker ModelTrainer, lihat Menggunakan a SageMaker ModelTrainer untuk menjalankan pekerjaan pelatihan.

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])

Setelah membuat pekerjaan pelatihan, Anda dapat memverifikasi bahwa itu telah ditetapkan dengan benar ke rencana pelatihan dengan memanggil DescribeTrainingJob API.

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