翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# SageMaker AI ModelTrainer を使用してトレーニングジョブを実行する
<a name="docker-containers-adapt-your-own-private-registry-estimator"></a>

SageMaker Python SDK の [ModelTrainer](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) を使用して、SageMaker トレーニングジョブの設定と実行を処理することもできます。 SageMaker 次のコード例は、プライベート Docker レジストリのイメージを使用して ModelTrainer を設定および実行する方法を示しています。

1. 次のコード例に示すように、必要なライブラリと依存関係をインポートします。

   ```
   import boto3
   import sagemaker
   from sagemaker.train import ModelTrainer
   from sagemaker.train.configs import Compute
   from sagemaker.core.helper.session_helper import get_execution_role, Session
   
   session = Session()
   
   role = get_execution_role()
   ```

1. 次のコード例に示すように、トレーニングイメージ、セキュリティグループ、トレーニングジョブの VPC 設定用サブネットに Uniform Resource Identifier (URI) を指定します。

   ```
   image_uri = "{{myteam.myorg.com/docker-local/my-training-image:<IMAGE-TAG>}}"
   
   security_groups = ["{{sg-0123456789abcdef0}}"]
   subnets = ["{{subnet-0123456789abcdef0}}", "{{subnet-0123456789abcdef0}}"]
   ```

   `security_group_ids` および の詳細については`subnets`、SageMaker Python SDK の [ModelTrainers](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) セクションにある適切なパラメータの説明を参照してください。
**注記**  
SageMaker AI は VPC 内のネットワーク接続を使用して Docker レジストリ内のイメージにアクセスします。Docker レジストリ内のイメージをトレーニングに使用するには、レジストリがアカウントの Amazon VPC からアクセス可能である必要があります。

1. 必要に応じて、Docker レジストリで認証が必要な場合は、SageMaker AI にアクセス認証情報を提供する AWS Lambda 関数の Amazon リソースネーム (ARN) も指定する必要があります。次のコード例は、ARN を指定する方法を示しています。

   ```
   training_repository_credentials_provider_arn = "{{arn:aws:lambda:us-west-2:1234567890:function:test}}"
   ```

   認証が必要な Docker レジストリでイメージを使用する方法の詳細については、以下の「**Use a Docker registry that requires authentication for training**」を参照してください。

1. 次のコード例に示すように、前のステップのコード例を使用して ModelTrainer を設定します。

   ```
   # The training repository access mode must be 'Vpc' for private docker registry jobs 
   training_repository_access_mode = "Vpc"
   
   # Specify the instance type, instance count you want to use
   instance_type="{{ml.m5.xlarge}}"
   instance_count={{1}}
   
   # Specify the maximum number of seconds that a model training job can run
   max_run_time = {{1800}}
   
   # Specify the output path for the model artifacts
   output_path = "{{s3://your-output-bucket/your-output-path}}"
   
   model_trainer = ModelTrainer(
       training_image=image_uri,
       role=role,
       subnets=subnets,
       security_group_ids=security_groups,
       training_repository_access_mode=training_repository_access_mode,
       training_repository_credentials_provider_arn=training_repository_credentials_provider_arn,  # remove this line if auth is not needed
       compute=Compute(instance_type=instance_type, instance_count=instance_count),
       output_path=output_path,
       max_run=max_run_time
   )
   ```

1. 次のコード例に示すように、ジョブ名と入力パスをパラメータとして使用して `model_trainer.train` を呼び出し、トレーニングジョブを開始します。

   ```
   input_path = "{{s3://your-input-bucket/your-input-path}}"
   job_name = "{{your-job-name}}"
   
   model_trainer.train(
       input_data_config=input_path,
       job_name=job_name
   )
   ```