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
<a name="use-training-plan-for-training-jobs-using-api-cli-sdk"></a>

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`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) API. Puoi utilizzare un solo piano per processo.

**Importante**  
Il campo `InstanceType` impostato nella sezione `ResourceConfig` della richiesta `CreateTrainingJob` deve corrispondere a `InstanceType` del piano di addestramento.

## Esecuzione di un job di addestramento in un piano con la CLI
<a name="training-job-cli"></a>

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

Per ulteriori informazioni su come creare un lavoro di formazione utilizzando il AWS CLI [ CreateTrainingJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) comando, vedere [`create-training-job`](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-training-job.html).

```
# 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-config`argomento.

```
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
<a name="training-job-sdk"></a>

In alternativa, puoi creare un lavoro di formazione associato a un piano di formazione utilizzando [ SageMaker Python SDK. ](https://sagemaker.readthedocs.io/en/stable/)

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](training-plan-iam-permissions.md)

L'esempio seguente dimostra come creare un job di SageMaker formazione e associarlo a un piano di formazione fornito utilizzando l'`training_plan`attributo nell'`ModelTrainer`oggetto quando si utilizza SageMaker Python SDK.

Per ulteriori informazioni su SageMaker ModelTrainer, vedere [ Use SageMaker ModelTrainer a to run a training job. ](https://docs.aws.amazon.com/sagemaker/latest/dg/docker-containers-adapt-your-own-private-registry-estimator.html)

```
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)
```