Muatan pekerjaan layanan di AWS Batch - AWS Batch
Contoh payload pekerjaan layanan

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

Muatan pekerjaan layanan di AWS Batch

Ketika Anda mengirimkan pekerjaan layanan menggunakan SubmitServiceJob, Anda memberikan dua parameter utama yang menentukan pekerjaan:serviceJobType, danserviceRequestPayload.

  • serviceJobTypeMenentukan AWS layanan mana yang akan melaksanakan pekerjaan. Untuk pekerjaan SageMaker Pelatihan, nilai ini adalahSAGEMAKER_TRAINING.

  • serviceRequestPayloadIni adalah string yang dikodekan JSON yang berisi permintaan lengkap yang biasanya akan dikirim langsung ke layanan target. Untuk pekerjaan SageMaker Pelatihan, payload ini berisi parameter yang sama yang akan Anda gunakan dengan SageMaker AI CreateTrainingJobAPI.

Untuk daftar lengkap semua parameter yang tersedia dan deskripsinya, lihat referensi SageMaker AI CreateTrainingJobAPI. Semua parameter yang didukung oleh CreateTrainingJob dapat dimasukkan dalam payload pekerjaan layanan Anda.

Untuk contoh konfigurasi pekerjaan pelatihan lainnya, lihat, CLIAPIs, SDKs dan di Panduan SageMaker Pengembang AI.

Sebaiknya gunakan pySDK untuk pembuatan pekerjaan layanan karena pySDK memiliki kelas dan utilitas pembantu. Untuk contoh penggunaan pySDK, lihat contoh SageMaker AI di. GitHub

Contoh payload pekerjaan layanan

Contoh berikut menunjukkan payload pekerjaan layanan sederhana untuk pekerjaan SageMaker Pelatihan yang menjalankan skrip pelatihan “hello world”:

Payload ini akan diteruskan sebagai string JSON ke serviceRequestPayload parameter saat memanggil. 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
  }
}