Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. # SageMaker Kolam Hangat yang Dikelola AI SageMaker Kolam hangat yang dikelola AI memungkinkan Anda mempertahankan dan menggunakan kembali infrastruktur yang disediakan setelah menyelesaikan pekerjaan pelatihan untuk mengurangi latensi beban kerja berulang, seperti eksperimen berulang atau menjalankan banyak pekerjaan secara berurutan. Pekerjaan pelatihan berikutnya yang sesuai dengan parameter tertentu dijalankan pada infrastruktur kolam hangat yang dipertahankan, yang mempercepat waktu mulai dengan mengurangi waktu yang dihabiskan untuk menyediakan sumber daya. **penting** SageMaker Kolam hangat yang dikelola AI adalah sumber daya yang dapat ditagih. Untuk informasi selengkapnya, lihat [Penagihan](#train-warm-pools-billing). **Topics** + [Cara kerjanya](#train-warm-pools-how-it-works) + [Pertimbangan-pertimbangan](#train-warm-pools-considerations) + [Minta peningkatan kuota kolam hangat](train-warm-pools-resource-limits.md) + [Gunakan kolam hangat yang dikelola SageMaker AI](train-warm-pools-how-to-use.md) ## Cara kerjanya Untuk menggunakan kolam hangat yang dikelola SageMaker AI dan mengurangi latensi antara pekerjaan pelatihan berturut-turut yang serupa, buat pekerjaan pelatihan yang `KeepAlivePeriodInSeconds` menentukan nilainya. `ResourceConfig` Nilai ini mewakili durasi waktu dalam hitungan detik untuk mempertahankan sumber daya yang dikonfigurasi di kolam hangat untuk pekerjaan pelatihan berikutnya. Jika Anda perlu menjalankan beberapa pekerjaan pelatihan menggunakan konfigurasi serupa, Anda dapat mengurangi latensi dan waktu yang dapat ditagih lebih lanjut dengan menggunakan direktori cache persisten khusus untuk menyimpan dan menggunakan kembali informasi Anda dalam pekerjaan yang berbeda. **Topics** + [Siklus hidup kolam hangat](#train-warm-pools-lifecycle) + [Pembuatan kolam hangat](#train-warm-pools-creation) + [Lowongan kerja pelatihan yang cocok](#train-warm-pools-matching-criteria) + [Durasi kolam hangat maksimum](#train-warm-pools-maximum-duration) + [Menggunakan cache persisten](#train-warm-pools-persistent-cache) + [Penagihan](#train-warm-pools-billing) ### Siklus hidup kolam hangat 1. Buat pekerjaan pelatihan awal dengan `KeepAlivePeriodInSeconds` nilai lebih besar dari 0. Saat Anda menjalankan pekerjaan pelatihan pertama ini, ini “memulai” klaster dengan waktu startup yang khas. 1. Ketika pekerjaan pelatihan pertama selesai, sumber daya yang disediakan tetap hidup di kolam hangat untuk periode yang ditentukan dalam nilai. `KeepAlivePeriodInSeconds` Selama cluster sehat dan kolam hangat berada dalam yang ditentukan`KeepAlivePeriodInSeconds`, maka status kolam hangat adalah`Available`. 1. Kolam hangat tetap `Available` sampai mengidentifikasi pekerjaan pelatihan yang cocok untuk digunakan kembali atau melebihi yang ditentukan `KeepAlivePeriodInSeconds` dan dihentikan. Panjang maksimum waktu yang diizinkan untuk `KeepAlivePeriodInSeconds` adalah 3600 detik (60 menit). Jika status kolam hangat adalah`Terminated`, maka ini adalah akhir dari siklus hidup kolam hangat. 1. Jika kolam hangat mengidentifikasi pekerjaan pelatihan kedua dengan spesifikasi yang cocok seperti jumlah instance atau jenis instance, maka kolam hangat berpindah dari pekerjaan pelatihan pertama ke pekerjaan pelatihan kedua untuk digunakan kembali. Status pekerjaan pelatihan pertama kolam hangat menjadi`Reused`. Ini adalah akhir dari siklus hidup kolam hangat untuk pekerjaan pelatihan pertama. 1. Status pekerjaan pelatihan kedua yang menggunakan kembali kolam hangat menjadi`InUse`. Setelah pekerjaan pelatihan kedua selesai, kolam hangat adalah `Available` untuk `KeepAlivePeriodInSeconds` durasi yang ditentukan dalam pekerjaan pelatihan kedua. Kolam hangat dapat terus bergerak ke pekerjaan pelatihan pencocokan berikutnya selama maksimal 28 hari. 1. Jika kolam hangat tidak lagi tersedia untuk digunakan kembali, status kolam hangat adalah`Terminated`. Kolam hangat tidak lagi tersedia jika dihentikan oleh pengguna, untuk pembaruan tambalan, atau untuk melebihi yang ditentukan. `KeepAlivePeriodInSeconds` Untuk informasi selengkapnya tentang opsi status kolam hangat, lihat [WarmPoolStatus](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_WarmPoolStatus.html)di *Referensi Amazon SageMaker API*. ### Pembuatan kolam hangat Jika pekerjaan pelatihan awal berhasil diselesaikan dan memiliki `KeepAlivePeriodInSeconds` nilai lebih besar dari 0, ini menciptakan kolam yang hangat. Jika Anda menghentikan pekerjaan pelatihan setelah cluster sudah diluncurkan, kolam hangat masih dipertahankan. Jika pekerjaan pelatihan gagal karena algoritma atau kesalahan klien, kolam hangat masih dipertahankan. Jika pekerjaan pelatihan gagal karena alasan lain yang mungkin membahayakan kesehatan cluster, maka kolam hangat tidak dibuat. Untuk memverifikasi pembuatan kolam hangat yang berhasil, periksa status kolam hangat dari pekerjaan pelatihan Anda. Jika kolam hangat berhasil disediakan, status kolam hangat adalah`Available`. Jika kolam hangat gagal disediakan, status kolam hangat adalah`Terminated`. ### Lowongan kerja pelatihan yang cocok Agar kolam hangat bertahan, ia harus menemukan pekerjaan pelatihan yang cocok dalam waktu yang ditentukan dalam `KeepAlivePeriodInSeconds` nilai. Pekerjaan pelatihan berikutnya adalah kecocokan jika nilai-nilai berikut identik: + `RoleArn` + `ResourceConfig`nilai: + `InstanceCount` + `InstanceType` + `VolumeKmsKeyId` + `VolumeSizeInGB` + `VpcConfig`nilai: + `SecurityGroupIds` + `Subnets` + `EnableInterContainerTrafficEncryption` + `EnableNetworkIsolation` + Jika Anda melewati [tag sesi](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_session-tags.html#id_session-tags_operations) untuk pekerjaan pelatihan Anda dengan `EnableSessionTagChaining` set ke `True` dalam pekerjaan pelatihan`SessionChainingConfig`, maka pekerjaan pelatihan yang cocok juga harus diatur `EnableSessionTagChaining` ke `True` dan memiliki kunci sesi yang identik. Untuk informasi selengkapnya, lihat [Gunakan kontrol akses berbasis atribut (ABAC) untuk pelatihan multi-tenancy](model-access-training-data-abac.md). Semua nilai ini harus sama untuk kolam hangat untuk pindah ke pekerjaan pelatihan berikutnya untuk digunakan kembali. ### Durasi kolam hangat maksimum Maksimum `KeepAlivePeriodInSeconds` untuk satu pekerjaan pelatihan adalah 3600 detik (60 menit) dan durasi maksimum waktu cluster kolam hangat dapat terus menjalankan pekerjaan pelatihan berturut-turut adalah 28 hari. Setiap pekerjaan pelatihan berikutnya juga harus menentukan `KeepAlivePeriodInSeconds` nilai. Ketika kolam hangat pindah ke pekerjaan pelatihan berikutnya, ia mewarisi `KeepAlivePeriodInSeconds` nilai baru yang ditentukan dalam pekerjaan pelatihan itu`ResourceConfig`. Dengan cara ini, Anda dapat menjaga kolam hangat bergerak dari pekerjaan pelatihan ke pekerjaan pelatihan selama maksimal 28 hari. Jika tidak `KeepAlivePeriodInSeconds` ditentukan, maka kolam hangat berputar setelah pekerjaan pelatihan selesai. ### Menggunakan cache persisten Saat Anda membuat kolam hangat, SageMaker AI memasang direktori khusus pada volume yang akan bertahan sepanjang siklus hidup kolam hangat. Direktori ini juga dapat digunakan untuk menyimpan informasi yang ingin Anda gunakan kembali di pekerjaan lain. Menggunakan cache persisten dapat mengurangi latensi dan waktu yang dapat ditagih daripada menggunakan kolam hangat saja untuk pekerjaan yang memerlukan hal berikut: + beberapa interaksi dengan konfigurasi serupa + pekerjaan pelatihan tambahan + optimasi hyperparameter Misalnya, Anda dapat menghindari mengunduh dependensi Python yang sama pada proses berulang dengan menyiapkan direktori cache pip di dalam direktori cache persisten. Anda bertanggung jawab penuh untuk mengelola isi direktori ini. Berikut ini adalah contoh jenis informasi yang dapat Anda masukkan ke dalam cache persisten Anda untuk membantu mengurangi latensi dan waktu yang dapat ditagih. + Dependensi dikelola oleh pip. + Dependensi dikelola oleh conda. + [Informasi pos pemeriksaan](https://docs.aws.amazon.com/sagemaker/latest/dg/model-checkpoints.html). + Setiap informasi tambahan yang dihasilkan selama pelatihan. Lokasi cache persisten adalah`/opt/ml/sagemaker/warmpoolcache`. Variabel lingkungan `SAGEMAKER_MANAGED_WARMPOOL_CACHE_DIRECTORY` menunjuk ke lokasi direktori cache persisten. Contoh kode berikut menunjukkan cara menyiapkan kolam hangat dan menggunakan cache persisten untuk menyimpan dependensi pip Anda untuk digunakan dalam pekerjaan berikutnya. Pekerjaan selanjutnya harus berjalan dalam kerangka waktu yang diberikan oleh parameter`keep_alive_period_in_seconds`. ``` import sagemakerfrom sagemaker import get_execution_rolefrom sagemaker.tensorflow import TensorFlow # Creates a SageMaker session and gets execution role session = sagemaker.Session() role = get_execution_role() # Creates an example estimator estimator = TensorFlow( ... entry_point='my-training-script.py', source_dir='code', role=role, model_dir='model_dir', framework_version='2.2', py_version='py37', job_name='my-training-job-1', instance_type='ml.g4dn.xlarge', instance_count=1, volume_size=250, hyperparameters={ "batch-size": 512, "epochs": 1, "learning-rate": 1e-3, "beta_1": 0.9, "beta_2": 0.999, }, keep_alive_period_in_seconds=1800, environment={"PIP_CACHE_DIR": "/opt/ml/sagemaker/warmpoolcache/pip"} ) ``` Dalam contoh kode sebelumnya, menggunakan parameter [lingkungan](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#estimators) mengekspor variabel lingkungan `PIP_CACHE_DIRECTORY` untuk menunjuk ke direktori`/opt/ml/sagemaker/warmpoolcache/pip`. Mengekspor variabel lingkungan ini akan mengubah tempat pip menyimpan cache-nya ke lokasi baru. Direktori apa pun, termasuk direktori bersarang, yang Anda buat di dalam direktori cache persisten akan tersedia untuk digunakan kembali selama pelatihan berikutnya. Dalam contoh kode sebelumnya, direktori yang `pip` disebut diubah menjadi lokasi default untuk menyimpan dependensi apa pun yang diinstal menggunakan pip. Lokasi cache persisten juga dapat diakses dari dalam skrip pelatihan Python Anda menggunakan variabel lingkungan seperti yang ditunjukkan dalam contoh kode berikut. ``` import os import shutil if __name__ == '__main__': PERSISTED_DIR = os.environ["SAGEMAKER_MANAGED_WARMPOOL_CACHE_DIRECTORY"] # create a file to be persisted open(os.path.join(PERSISTED_DIR, "test.txt"), 'a').close() # create a directory to be persisted os.mkdir(os.path.join(PERSISTED_DIR, "test_dir")) # Move a file to be persisted shutil.move("path/of/your/file.txt", PERSISTED_DIR) ``` ### Penagihan SageMaker Kolam hangat yang dikelola AI adalah sumber daya yang dapat ditagih. Ambil status kolam hangat untuk pekerjaan pelatihan Anda untuk memeriksa waktu yang dapat ditagih untuk kolam hangat Anda. Anda dapat memeriksa status kolam hangat baik melalui [Menggunakan konsol Amazon SageMaker AI](train-warm-pools-how-to-use.md#train-warm-pools-how-to-use-sagemaker-console) atau langsung melalui perintah [DescribeTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeTrainingJob.html)API. Untuk informasi selengkapnya, lihat [WarmPoolStatus](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_WarmPoolStatus.html)di *Referensi Amazon SageMaker API*. **catatan** Setelah waktu yang ditentukan oleh parameter `KeepAlivePeriodInSeconds` berakhir, kolam hangat dan cache persisten akan dimatikan, dan isinya akan dihapus. ## Pertimbangan-pertimbangan Pertimbangkan item berikut saat menggunakan kolam hangat yang dikelola SageMaker AI. + SageMaker Kolam hangat yang dikelola AI tidak dapat digunakan dengan pelatihan cluster heterogen. + SageMaker Kolam hangat yang dikelola AI tidak dapat digunakan dengan instance spot. + SageMaker Kolam hangat yang dikelola AI dibatasi hingga `KeepAlivePeriodInSeconds` nilai 3600 detik (60 menit). + Jika kolam hangat terus berhasil mencocokkan pekerjaan pelatihan dalam `KeepAlivePeriodInSeconds` nilai yang ditentukan, cluster hanya dapat terus berjalan selama maksimal 28 hari. # Minta peningkatan kuota kolam hangat Untuk memulai, Anda harus terlebih dahulu meminta peningkatan batas layanan untuk kolam hangat yang dikelola SageMaker AI. Batas sumber daya default untuk kolam hangat adalah 0. Jika pekerjaan pelatihan dibuat dengan `KeepAlivePeriodInSeconds` ditentukan, tetapi Anda tidak meminta peningkatan batas kolam hangat, maka kolam hangat tidak dipertahankan setelah selesainya pekerjaan pelatihan. Kolam hangat hanya dibuat jika batas kolam hangat Anda memiliki sumber daya yang cukup. Setelah kolam hangat dibuat, sumber daya dilepaskan ketika mereka pindah ke pekerjaan pelatihan yang cocok atau jika `KeepAlivePeriodInSeconds` kedaluwarsa (jika status kolam hangat `Reused` atau`Terminated`). Minta peningkatan kuota kolam hangat menggunakan konsol AWS Service Quotas. **catatan** Semua penggunaan instance kolam hangat diperhitungkan dalam batas sumber daya SageMaker pelatihan Anda. Meningkatkan batas sumber daya kolam hangat Anda tidak meningkatkan batas instans Anda, tetapi mengalokasikan sebagian dari batas sumber daya Anda untuk pelatihan kolam hangat. 1. Buka [AWS Konsol Service Quotas](https://console.aws.amazon.com/servicequotas/home/). 1. **Di panel navigasi sebelah kiri, pilih AWS layanan.** 1. Cari dan pilih **Amazon SageMaker AI**. 1. Cari kata kunci **warm pool** untuk melihat semua kuota layanan kolam hangat yang tersedia. 1. Temukan jenis instans yang ingin Anda tingkatkan kuota kolam hangat, pilih kuota layanan kolam hangat untuk jenis instans tersebut, dan pilih **Permintaan peningkatan kuota**. 1. Masukkan nomor limit instans yang Anda minta di bawah **Ubah nilai kuota**. Nilai baru harus lebih besar dari **nilai kuota Terapan** saat ini. 1. Pilih **Minta**. Ada batasan jumlah instance yang dapat Anda simpan untuk setiap akun, yang ditentukan oleh jenis instans. Anda dapat memeriksa batas sumber daya Anda di [konsol AWS Service Quotas](https://console.aws.amazon.com/servicequotas/home/) atau langsung menggunakan perintah CLI [list-service-quotas](https://docs.aws.amazon.com/cli/latest/reference/service-quotas/list-service-quotas.html) AWS . *Untuk informasi selengkapnya tentang AWS Service Quotas, lihat [Meminta peningkatan kuota pada Panduan Pengguna Service Quotas](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html).* Anda juga dapat menggunakan [AWS Support Center](https://support.console.aws.amazon.com) untuk meminta peningkatan kuota kolam hangat. Untuk daftar jenis instans yang tersedia menurut Wilayah, lihat [ SageMaker Harga Amazon](https://aws.amazon.com/sagemaker/pricing/) dan pilih **Pelatihan** di tabel **Harga Sesuai Permintaan**. # Gunakan kolam hangat yang dikelola SageMaker AI Anda dapat menggunakan kumpulan hangat yang dikelola SageMaker AI melalui SageMaker Python SDK, konsol Amazon SageMaker AI, atau melalui level rendah. APIs Administrator secara opsional dapat menggunakan kunci `sagemaker:KeepAlivePeriod` kondisi untuk lebih membatasi `KeepAlivePeriodInSeconds` batas untuk pengguna atau grup tertentu. **Topics** + [Menggunakan SageMaker AI Python SDK](#train-warm-pools-how-to-use-python-sdk) + [Menggunakan konsol Amazon SageMaker AI](#train-warm-pools-how-to-use-sagemaker-console) + [Menggunakan level rendah SageMaker APIs](#train-warm-pools-how-to-use-low-level-apis) + [Kunci kondisi IAM](#train-warm-pools-how-to-use-iam-condition-key) ## Menggunakan SageMaker AI Python SDK Buat, perbarui, atau hentikan kolam hangat menggunakan SageMaker Python SDK. **catatan** Fitur ini tersedia di SageMaker AI [Python SDK v2.110.0](https://pypi.org/project/sagemaker/2.110.0/) dan yang lebih baru. **Topics** + [Buat kolam yang hangat](#train-warm-pools-how-to-use-python-sdk-create) + [Perbarui kolam hangat](#train-warm-pools-how-to-use-python-sdk-update) + [Hentikan kolam yang hangat](#train-warm-pools-how-to-use-python-sdk-terminate) ### Buat kolam yang hangat Untuk membuat kolam hangat, gunakan SageMaker Python SDK untuk membuat estimator dengan `keep_alive_period_in_seconds` nilai lebih besar dari 0 dan panggil. `fit()` Ketika pekerjaan pelatihan selesai, kolam hangat dipertahankan. Untuk informasi selengkapnya tentang skrip pelatihan dan estimator, lihat [Melatih Model dengan Python SageMaker ](https://sagemaker.readthedocs.io/en/stable/overview.html#train-a-model-with-the-sagemaker-python-sdk) SDK. Jika skrip Anda tidak membuat kolam hangat, lihat [Pembuatan kolam hangat](train-warm-pools.md#train-warm-pools-creation) penjelasan yang mungkin. ``` import sagemaker from sagemaker import get_execution_role from sagemaker.tensorflow import TensorFlow # Creates a SageMaker AI session and gets execution role session = sagemaker.Session() role = get_execution_role() # Creates an example estimator estimator = TensorFlow( ... entry_point='my-training-script.py', source_dir='code', role=role, model_dir='model_dir', framework_version='2.2', py_version='py37', job_name='my-training-job-1', instance_type='ml.g4dn.xlarge', instance_count=1, volume_size=250, hyperparameters={ "batch-size": 512, "epochs": 1, "learning-rate": 1e-3, "beta_1": 0.9, "beta_2": 0.999, }, keep_alive_period_in_seconds=1800, ) # Starts a SageMaker training job and waits until completion estimator.fit('s3://my_bucket/my_training_data/') ``` Selanjutnya, buat pekerjaan pelatihan pencocokan kedua. Dalam contoh ini, kami membuat`my-training-job-2`, yang memiliki semua atribut yang diperlukan untuk dicocokkan`my-training-job-1`, tetapi memiliki hyperparameter yang berbeda untuk eksperimen. Pekerjaan pelatihan kedua menggunakan kembali kolam hangat dan memulai lebih cepat daripada pekerjaan pelatihan pertama. Contoh kode berikut menggunakan estimator Tensorflow. Fitur kolam hangat dapat digunakan dengan algoritma pelatihan apa pun yang berjalan di Amazon SageMaker AI. Untuk informasi selengkapnya tentang atribut mana yang perlu dicocokkan, lihat[Lowongan kerja pelatihan yang cocok](train-warm-pools.md#train-warm-pools-matching-criteria). ``` # Creates an example estimator estimator = TensorFlow( ... entry_point='my-training-script.py', source_dir='code', role=role, model_dir='model_dir', framework_version='py37', py_version='pyxy', job_name='my-training-job-2', instance_type='ml.g4dn.xlarge', instance_count=1, volume_size=250, hyperparameters={ "batch-size": 512, "epochs": 2, "learning-rate": 1e-3, "beta_1": 0.9, "beta_2": 0.999, }, keep_alive_period_in_seconds=1800, ) # Starts a SageMaker training job and waits until completion estimator.fit('s3://my_bucket/my_training_data/') ``` Periksa status kolam hangat dari kedua pekerjaan pelatihan untuk memastikan bahwa kolam hangat `Reused` untuk `my-training-job-1` dan `InUse` untuk`my-training-job-2`. **catatan** Nama pekerjaan pelatihan memiliki date/time sufiks. Contoh nama pekerjaan pelatihan `my-training-job-1` dan `my-training-job-2` harus diganti dengan nama pekerjaan pelatihan yang sebenarnya. Anda dapat menggunakan `estimator.latest_training_job.job_name` perintah untuk mengambil nama pekerjaan pelatihan yang sebenarnya. ``` session.describe_training_job('my-training-job-1') session.describe_training_job('my-training-job-2') ``` Hasil `describe_training_job` memberikan semua detail tentang pekerjaan pelatihan yang diberikan. Temukan `WarmPoolStatus` atribut untuk memeriksa informasi tentang kolam hangat pekerjaan pelatihan. Output Anda akan terlihat mirip dengan contoh berikut: ``` # Warm pool status for training-job-1 ... 'WarmPoolStatus': {'Status': 'Reused', 'ResourceRetainedBillableTimeInSeconds': 1000, 'ReusedByName': my-training-job-2} ... # Warm pool status for training-job-2 ... 'WarmPoolStatus': {'Status': 'InUse'} ... ``` ### Perbarui kolam hangat Ketika pekerjaan pelatihan selesai dan status kolam hangat`Available`, maka Anda dapat memperbarui `KeepAlivePeriodInSeconds` nilainya. ``` session.update_training_job(job_name, resource_config={"KeepAlivePeriodInSeconds":3600}) ``` ### Hentikan kolam yang hangat Untuk menghentikan kolam hangat secara manual, atur `KeepAlivePeriodInSeconds ` nilainya ke 0. ``` session.update_training_job(job_name, resource_config={"KeepAlivePeriodInSeconds":0}) ``` Kolam hangat secara otomatis berakhir ketika melebihi `KeepAlivePeriodInSeconds` nilai yang ditentukan atau jika ada pembaruan tambalan untuk cluster. ## Menggunakan konsol Amazon SageMaker AI Melalui konsol, Anda dapat membuat kolam hangat, melepaskan kolam hangat, atau memeriksa status kolam hangat dan waktu yang dapat ditagih dari pekerjaan pelatihan tertentu. Anda juga dapat melihat pekerjaan pelatihan yang cocok menggunakan kembali kolam hangat. 1. Buka [konsol Amazon SageMaker AI](https://console.aws.amazon.com/ec2/) dan pilih **Training jobs** dari panel navigasi. Jika berlaku, status kolam hangat dari setiap pekerjaan pelatihan terlihat di kolom **status kolam hangat** dan waktu yang tersisa untuk kolam hangat aktif terlihat di kolom **Waktu kiri**. 1. Untuk membuat pekerjaan pelatihan yang menggunakan kolam hangat dari konsol, pilih **Buat pekerjaan pelatihan**. Kemudian, pastikan untuk menentukan nilai untuk bidang **Keep alive period** saat mengonfigurasi sumber daya pekerjaan pelatihan Anda. Nilai ini harus berupa bilangan bulat antara 1 dan 3600, yang mewakili durasi waktu dalam detik. 1. Untuk merilis kolam hangat dari konsol, pilih tugas pelatihan tertentu dan pilih **Release cluster** dari menu dropdown **Actions**. 1. Untuk melihat informasi lebih lanjut tentang kolam hangat, pilih nama pekerjaan pelatihan. Di halaman detail pekerjaan, gulir ke bawah ke bagian **status kolam hangat** untuk menemukan status kolam hangat, waktu tersisa jika status kolam hangat`Available`, detik yang dapat ditagih kolam hangat, dan nama pekerjaan pelatihan yang menggunakan kembali kolam hangat jika status kolam hangat adalah. `Reused` ## Menggunakan level rendah SageMaker APIs Gunakan kolam hangat yang dikelola SageMaker AI dengan SageMaker API atau AWS CLI. ### SageMaker API AI Siapkan kolam hangat yang dikelola SageMaker AI menggunakan SageMaker API dengan perintah berikut: + [ CreateTrainingJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) + [ UpdateTrainingJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateTrainingJob.html) + [ ListTrainingJobs ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ListTrainingJobs.html) + [ DescribeTrainingJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeTrainingJob.html) ### AWS CLI Siapkan kolam hangat yang dikelola SageMaker AI menggunakan AWS CLI dengan perintah berikut: + [create-training-job](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-training-job.html) + [update-training-job](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-training-job.html) + [list-training-jobs](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/list-training-jobs.html) + [describe-training-job](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/describe-training-job.html) ## Kunci kondisi IAM Administrator secara opsional dapat menggunakan kunci `sagemaker:KeepAlivePeriod` kondisi untuk lebih membatasi `KeepAlivePeriodInSeconds` batas untuk pengguna atau grup tertentu. SageMaker Kolam hangat yang dikelola AI dibatasi hingga `KeepAlivePeriodInSeconds` nilai 3600 detik (60 menit), tetapi administrator dapat menurunkan batas ini jika diperlukan. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "EnforceKeepAlivePeriodLimit", "Effect": "Allow", "Action": [ "sagemaker:CreateTrainingJob" ], "Resource": "*", "Condition": { "NumericLessThanIfExists": { "sagemaker:KeepAlivePeriod": "1800" } } } ] } ``` ------ Untuk informasi selengkapnya, lihat [Kunci kondisi untuk Amazon SageMaker AI](https://docs.aws.amazon.com/service-authorization/latest/reference/list_amazonsagemaker.html#amazonsagemaker-policy-keys) di *Referensi Otorisasi Layanan*.