View a markdown version of this page

La carga útil de los trabajos de servicio es AWS Batch - AWS Batch
Ejemplo de carga útil de un trabajo de servicio

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

La carga útil de los trabajos de servicio es AWS Batch

Cuando envía trabajos de servicio mediante SubmitServiceJob, proporciona dos parámetros clave que definen el trabajo:serviceJobType, yserviceRequestPayload.

  • serviceJobTypeEspecifica qué AWS servicio ejecutará el trabajo. Para los trabajos de SageMaker formación, este valor esSAGEMAKER_TRAINING.

  • serviceRequestPayloadEs una JSON-encoded cadena que contiene la solicitud completa que normalmente se enviaría directamente al servicio de destino. Para los trabajos de SageMaker formación, esta carga útil contiene los mismos parámetros que utilizaría con la CreateTrainingJob API de SageMaker IA.

Para obtener una lista completa de todos los parámetros disponibles y sus descripciones, consulta la referencia de la CreateTrainingJob API de SageMaker IA. Todos los parámetros que sean compatibles con CreateTrainingJob se pueden incluir en la carga útil del trabajo de servicio.

Para ver más ejemplos de configuraciones de trabajos de entrenamiento, consulta las API, la CLI y los SDK en la Guía para desarrolladores de SageMaker IA.

Recomendamos utilizar PySDK para la creación de trabajos de servicio, ya que PySDK tiene clases y utilidades auxiliares. Para ver un ejemplo del uso de PySDK, consulta ejemplos de SageMaker IA en. GitHub

Ejemplo de carga útil de un trabajo de servicio

En el siguiente ejemplo, se muestra una carga útil sencilla de tareas de servicio para una tarea de SageMaker formación que ejecuta un script de formación que dice «hola mundo»:

Esta carga útil se pasará como una cadena JSON al parámetro serviceRequestPayload cuando se llame SubmitServiceJob.

{
  "TrainingJobName": "my-simple-training-job",
  "RoleArn": "arn:aws:iam::123456789012:role/SageMakerExecutionRole",
  "AlgorithmSpecification": {
    "TrainingInputMode": "File",
    "TrainingImage": "763104351884.dkr.ecr.us-west-2.amazonaws.com/pytorch-training:2.0.0-cpu-py310",
    "ContainerEntrypoint": [
      "echo",
      "hello world"
    ]
  },
  "ResourceConfig": {
    "InstanceType": "ml.c5.xlarge",
    "InstanceCount": 1,
    "VolumeSizeInGB": 1
  },
  "OutputDataConfig": {
    "S3OutputPath": "s3://your-output-bucket/output"
  },
  "StoppingCondition": {
    "MaxRuntimeInSeconds": 30
  }
}