Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Crea un lavoro di formazione utilizzando l'API, AWS CLI, SageMaker SDK

Per utilizzare SageMaker i piani di SageMaker formazione per il tuo lavoro di formazione, specifica il TrainingPlanArn parametro del piano desiderato nella finestra ResourceConfig di chiamata dell'operazione CreateTrainingJob API. Puoi utilizzare un solo piano per processo.

Esecuzione di un job di addestramento in un piano con la CLI

L'esempio seguente dimostra come creare un lavoro di SageMaker formazione e associarlo a un piano di formazione fornito utilizzando l'TrainingPlanArnattributo nel create-training-job AWS CLI comando.

Per ulteriori informazioni su come creare un lavoro di formazione utilizzando il AWS CLI CreateTrainingJob comando, vedere 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"
        }
    }' \
    ...

Questo comando di AWS CLI esempio crea un nuovo job di formazione in SageMaker AI inserendo un piano di formazione nell'--resource-configargomento.

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 

Dopo aver creato il job di addestramento, puoi verificare che sia stato assegnato correttamente al piano di addestramento chiamando l’API DescribeTrainingJob.

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

Esegui un lavoro di formazione su un piano utilizzando SageMaker AI Python SDK

In alternativa, puoi creare un lavoro di formazione associato a un piano di formazione utilizzando SageMaker Python SDK.

Se stai utilizzando l'SDK SageMaker Python di Studio per creare un lavoro di formazione, assicurati che il ruolo di esecuzione utilizzato dallo spazio JupyterLab in cui è in esecuzione l' JupyterLabapplicazione disponga delle autorizzazioni necessarie per utilizzare i piani di formazione. SageMaker Per informazioni sulle autorizzazioni richieste per utilizzare i piani di SageMaker formazione, consulta. IAM per i piani di formazione SageMaker

L'esempio seguente dimostra come creare un job di SageMaker formazione e associarlo a un piano di formazione fornito utilizzando l'training_planattributo nell'ModelTraineroggetto quando si utilizza SageMaker Python SDK.

Per ulteriori informazioni su SageMaker ModelTrainer, vedere Use SageMaker ModelTrainer a to run a training job.

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])

Dopo aver creato il job di addestramento, puoi verificare che sia stato assegnato correttamente al piano di addestramento chiamando l’API DescribeTrainingJob.

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