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.

# Esecuzione di un processo di formazione SageMaker
<a name="cluster-specific-configurations-run-sagemaker-training-job"></a>

SageMaker HyperPod Recipes supporta l'invio di un lavoro SageMaker di formazione. Prima di inviare il job di addestramento, devi aggiornare la configurazione del cluster, `sm_job.yaml`, e installare l’ambiente corrispondente.

## Usa la tua ricetta come lavoro SageMaker formativo
<a name="cluster-specific-configurations-cluster-config-sm-job-yaml"></a>

Puoi usare la tua ricetta come lavoro di SageMaker formazione se non gestisci un cluster. È necessario modificare il file di configurazione del processo di SageMaker formazione per eseguire la ricetta. `sm_job.yaml`

```
sm_jobs_config:
  output_path: null 
  tensorboard_config:
    output_path: null 
    container_logs_path: null
  wait: True 
  inputs: 
    s3: 
      train: null
      val: null
    file_system:  
      directory_path: null
  additional_estimator_kwargs: 
    max_run: 1800
```

1. `output_path`: puoi specificare dove salvare il modello in un URL Amazon S3.

1. `tensorboard_config`: È possibile specificare una configurazione TensorBoard correlata, ad esempio il percorso di output o il percorso TensorBoard dei registri.

1. `wait`: puoi specificare se stai aspettando il completamento del processo quando invii il tuo job di addestramento.

1. `inputs`: puoi specificare i percorsi per i dati di addestramento e convalida. L’origine dati può provenire da un file system condiviso come Amazon FSx o un URL Amazon S3.

1. `additional_estimator_kwargs`: Argomenti di valutazione aggiuntivi per l'invio di un lavoro di formazione alla piattaforma SageMaker Training Job. Per ulteriori informazioni, consulta [Algorithm Estimator](https://sagemaker.readthedocs.io/en/stable/api/training/algorithm.html).