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

# Mengirimkan pekerjaan ke pembagian kuota
<a name="submit-job-quota-share"></a>

Antrian pekerjaan manajemen kuota mengharuskan semua pekerjaan menentukan pembagian kuota pada pengajuan pekerjaan. Untuk mengirimkan pekerjaan ke pembagian kuota, tentukan `quotaShareName` di [SubmitServiceJob](https://docs.aws.amazon.com/batch/latest/APIReference/API_SubmitServiceJob.html). A `preemptionConfiguration` secara opsional dapat diberikan untuk membatasi jumlah upaya pencegahan sebelum upaya pekerjaan masuk. `FAILED` Untuk membatasi jumlah preemption yang dialami pekerjaan, tetapkan [ServiceJobPreemptionConfiguration](https://docs.aws.amazon.com/batch/latest/APIReference/API_ServiceJobPreemptionConfiguration.html)pada `preemptionRetriesBeforeTermination` pengajuan pekerjaan.

## Prasyarat
<a name="submit-job-quota-share-prerequisites"></a>

Sebelum mengirimkan pekerjaan ke pembagian kuota, pastikan Anda memiliki:
+ **Sumber daya manajemen kuota** — Kebijakan penjadwalan, lingkungan layanan, dan antrian pekerjaan yang dikonfigurasi untuk manajemen kuota. Untuk informasi selengkapnya, lihat [Buat sumber daya manajemen kuota](create-quota-management-resources.md).
+ **Pembagian kuota** — Setidaknya satu pembagian kuota dibuat pada antrian pekerjaan. Untuk informasi selengkapnya, lihat [Membuat pembagian kuota](create-quota-shares.md).
+ **Izin IAM — Izin** untuk mengirimkan pekerjaan ke. AWS Batch Untuk informasi selengkapnya, lihat [AWS Batch Kebijakan, peran, dan izin IAM](IAM_policies.md).

## Kirim pekerjaan layanan ke pembagian kuota
<a name="submit-job-quota-share-example"></a>

Tabel di bawah ini menunjukkan cara mengirimkan pekerjaan layanan ke pembagian kuota menggunakan SDK SageMaker Python atau CLI: AWS 

------
#### [ Submit using the SageMaker Python SDK ]

[SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/v3-examples/training-examples/aws_batch/sm-training-queues_quota-management.html) memiliki dukungan bawaan untuk mengirimkan pekerjaan ke antrian pekerjaan yang diaktifkan manajemen kuota. Contoh berikut menunjukkan cara membuat pelatih model, membuat antrian pelatihan, dan mengirimkan pekerjaan ke pembagian kuota. Untuk contoh lengkap, lihat [contoh buku catatan lengkap](https://github.com/aws/sagemaker-python-sdk/blob/master/v3-examples/training-examples/aws_batch/sm-training-queues_quota-management.ipynb) di GitHub.

Buat `ModelTrainer` yang mendefinisikan konfigurasi pekerjaan pelatihan.

```
from sagemaker.train.model_trainer import ModelTrainer
from sagemaker.train.configs import SourceCode, Compute, StoppingCondition

source_code = SourceCode(command="echo 'Hello World'")

model_trainer = ModelTrainer(
    training_image={{"123456789012.dkr.ecr.us-east-1.amazonaws.com/pytorch-training:2.5-gpu-py311"}},
    source_code=source_code,
    base_job_name={{"my-training-job"}},
    compute=Compute(instance_type={{"ml.g5.xlarge"}}, instance_count={{1}}),
    stopping_condition=StoppingCondition(max_runtime_in_seconds={{300}}),
)
```

Buat `TrainingQueue` objek yang mereferensikan antrian pekerjaan yang diaktifkan manajemen kuota Anda berdasarkan nama.

```
from sagemaker.train.aws_batch.training_queue import TrainingQueue

queue = TrainingQueue({{"my-sagemaker-job-queue"}})
```

Kirim pekerjaan ke pembagian kuota dengan menelepon `queue.submit` dan menentukan. `quota_share_name` Anda harus menetapkan `priority` untuk mempengaruhi pemesanan pekerjaan dalam pembagian kuota. Dunia nyata `ModelTrainer` akan membutuhkan `inputs` sehingga memiliki data untuk dilatih.

```
job = queue.submit(
    job_name={{"my-training-job"}},
    training_job=model_trainer,
    quota_share_name={{"my_quota_share"}},
    priority={{3}},
    inputs=None,
)
```

------
#### [ Submit using the AWS CLI ]

Contoh berikut menggunakan **submit-service-job** perintah untuk mengirimkan pekerjaan ke pembagian kuota.

```
aws batch submit-service-job \
    --job-name {{"my-sagemaker-training-job"}} \
    --job-queue {{"my-sagemaker-job-queue"}} \
    --service-job-type "SAGEMAKER_TRAINING" \
    --quota-share-name {{"my_quota_share"}} \
    --timeout-config '{"attemptDurationSeconds":{{3600}}}' \
    --scheduling-priority {{5}} \
    --service-request-payload {{'{\"TrainingJobName\": \"sagemaker-training-job-example\", \"AlgorithmSpecification\": {\"TrainingImage\": \"123456789012.dkr.ecr.us-east-1.amazonaws.com/pytorch-inference:1.8.0-cpu-py3\", \"TrainingInputMode\": \"File\", \"ContainerEntrypoint\":  [\"sleep\", \"1\"]}, \"RoleArn\":\"arn:aws:iam::123456789012:role/SageMakerExecutionRole\", \"OutputDataConfig\": {\"S3OutputPath\": \"s3://example-bucket/model-output/\"}, \"ResourceConfig\": {\"InstanceType\": \"ml.m5.large\", \"InstanceCount\": 1, \"VolumeSizeInGB\": 1}}'}}"
```

------