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.

# Crea un lavoro di formazione utilizzando l'API AWS CLI, SageMaker SDK
<a name="use-training-plan-for-training-jobs-using-api-cli-sdk"></a>

Per utilizzare SageMaker i piani di SageMaker formazione per il tuo lavoro di formazione, specifica il `TrainingPlanArn` parametro del piano desiderato `ResourceConfig` nell'operazione di chiamata dell'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)API. Puoi utilizzare un solo piano per processo.

**Importante**  
Il campo `InstanceType` impostato nella sezione `ResourceConfig` della richiesta `CreateTrainingJob` deve corrispondere a `InstanceType` del piano di addestramento.

## Esecuzione di un job di addestramento in un piano con la CLI
<a name="training-job-cli"></a>

L'esempio seguente dimostra come creare un processo di SageMaker formazione e associarlo a un piano di formazione fornito utilizzando l'`TrainingPlanArn`attributo nel `create-training-job` AWS CLI comando. 

Per ulteriori informazioni su come creare un processo di formazione utilizzando il AWS CLI [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)comando, vedere [https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-training-job.html](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-training-job.html).

```
# Create a training job
aws sagemaker create-training-job \
  --training-job-name training-job-name \
  ...
    
  --resource-config '{
        "InstanceType": "ml.p5.48xlarge",
        "InstanceCount": 8,
        "VolumeSizeInGB": 10,
        "TrainingPlanArn": "training-plan-arn"
        }
    }' \
    ...
```

Questo comando di AWS CLI esempio crea un nuovo processo di addestramento in SageMaker AI inserendo un piano di formazione nell'`--resource-config`argomento.

```
aws sagemaker create-training-job \
  --training-job-name job-name \
  --role-arn arn:aws:iam::111122223333:role/DataAndAPIAccessRole \
  --algorithm-specification '{"TrainingInputMode": "File","TrainingImage": "111122223333.dkr.ecr.us-east-1.amazonaws.com/algo-image:tag", "ContainerArguments": [" "]}' \
  --input-data-config '[{"ChannelName":"training","DataSource":{"S3DataSource":{"S3DataType":"S3Prefix","S3Uri":"s3://bucketname/input","S3DataDistributionType":"ShardedByS3Key"}}}]' \
  --output-data-config '{"S3OutputPath": "s3://bucketname/output"}' \
  --resource-config '{"VolumeSizeInGB":10,"InstanceCount":4,"InstanceType":"ml.p5.48xlarge", "TrainingPlanArn" : "arn:aws:sagemaker:us-east-1:111122223333:training-plan/plan-name"}' \
  --stopping-condition '{"MaxRuntimeInSeconds": 1800}' \
  --region us-east-1
```

Dopo aver creato il job di addestramento, puoi verificare che sia stato assegnato correttamente al piano di addestramento chiamando l’API `DescribeTrainingJob`.

```
aws sagemaker describe-training-job --training-job-name training-job-name
```

## Esegui un processo di formazione su un piano utilizzando SageMaker AI Python SDK
<a name="training-job-sdk"></a>

In alternativa, puoi creare un lavoro di formazione associato a un piano di formazione utilizzando [SageMaker Python](https://sagemaker.readthedocs.io/en/stable/v2.html) SDK.

Se utilizzi SageMaker Python SDK da Studio per creare un processo di formazione, assicurati che il ruolo di esecuzione utilizzato dallo spazio su cui è JupyterLab in esecuzione l' JupyterLabapplicazione disponga delle autorizzazioni necessarie per utilizzare i piani di formazione. SageMaker Per ulteriori informazioni sulle autorizzazioni necessarie per utilizzare i piani di SageMaker formazione, consulta. [IAM per i piani SageMaker di formazione](training-plan-iam-permissions.md)

L'esempio seguente dimostra come creare un processo di SageMaker formazione e associarlo a un piano di formazione fornito utilizzando l'`training_plan`attributo nell'`Estimator`oggetto quando si utilizza SageMaker Python SDK.

Per ulteriori informazioni sull' SageMaker Estimator, consulta [Utilizzare uno SageMaker stimatore per eseguire un processo di formazione](https://docs.aws.amazon.com/sagemaker/latest/dg/docker-containers-adapt-your-own-private-registry-estimator.html).

```
import sagemaker
import boto3
from sagemaker import get_execution_role
from sagemaker.estimator import Estimator
from sagemaker.inputs import TrainingInput

# Set up the session and SageMaker client
session = boto3.Session()
region = session.region_name
sagemaker_session = session.client('sagemaker')

# Get the execution role for the training job
role = get_execution_role()

# Define the input data configuration
trainingInput = TrainingInput(
    s3_data='s3://input-path',
    distribution='ShardedByS3Key',
    s3_data_type='S3Prefix'
)

estimator = Estimator(
    entry_point='train.py',
    image_uri="123456789123.dkr.ecr.{}.amazonaws.com/image:tag",
    role=role,
    instance_count=4,
    instance_type='ml.p5.48xlarge',
    training_plan="training-plan-arn",
    volume_size=20,
    max_run=3600,
    sagemaker_session=sagemaker_session,
    output_path="s3://output-path"
)

# Create the training job
estimator.fit(inputs=trainingInput, job_name=job_name)
```

Dopo aver creato il job di addestramento, puoi verificare che sia stato assegnato correttamente al piano di addestramento chiamando l’API `DescribeTrainingJob`.

```
# Check job details
sagemaker_session.describe_training_job(TrainingJobName=job_name)
```