View a markdown version of this page

Carichi utili dei lavori di assistenza in AWS Batch - AWS Batch
Esempio di payload del lavoro di assistenza

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.

Carichi utili dei lavori di assistenza in AWS Batch

Quando invii lavori di assistenza utilizzando SubmitServiceJob, fornisci due parametri chiave che definiscono il lavoro:serviceJobType, eserviceRequestPayload.

  • serviceJobTypeSpecifica quale AWS servizio eseguirà il lavoro. Per i lavori di SageMaker formazione, questo valore èSAGEMAKER_TRAINING.

  • serviceRequestPayloadÈ una JSON-encoded stringa che contiene la richiesta completa che normalmente verrebbe inviata direttamente al servizio di destinazione. Per i lavori di SageMaker formazione, questo payload contiene gli stessi parametri che useresti con l'CreateTrainingJobAPI SageMaker AI.

Per un elenco completo di tutti i parametri disponibili e delle relative descrizioni, consulta il riferimento all'CreateTrainingJobAPI SageMaker AI. Tutti i parametri supportati da CreateTrainingJob possono essere inclusi nel payload del lavoro di assistenza.

Per esempi di altre configurazioni dei lavori di formazione, consulta API, CLI e SDK nella AI Developer Guide. SageMaker

Consigliamo di utilizzare PySDK per la creazione di lavori di servizio perché PySDK dispone di classi e utilità di supporto. Per un esempio di utilizzo di PySDK, vedi esempi di intelligenza artificiale su. SageMaker GitHub

Esempio di payload del lavoro di assistenza

L'esempio seguente mostra un semplice payload di un service job per un SageMaker Training job che esegue uno script di training «hello world»:

Questo payload verrebbe passato come stringa JSON al serviceRequestPayload parametro durante la chiamata. 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
  }
}