의 서비스 작업 페이로드 AWS Batch - AWS Batch
서비스 작업 페이로드 예제

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

의 서비스 작업 페이로드 AWS Batch

SubmitServiceJob을 사용하여 서비스 작업을 제출할 때 작업을 정의하는 두 가지 주요 파라미터인 및 serviceJobType를 제공합니다serviceRequestPayload.

  • 는 작업을 실행할 AWS 서비스를 serviceJobType 지정합니다. SageMaker 훈련 작업의 경우이 값은 입니다SAGEMAKER_TRAINING.

  • serviceRequestPayload는 일반적으로 대상 서비스로 직접 전송되는 전체 요청을 포함하는 JSON 인코딩 문자열입니다. SageMaker 훈련 작업의 경우이 페이로드에는 SageMaker AI CreateTrainingJob API와 함께 사용하는 것과 동일한 파라미터가 포함되어 있습니다.

사용 가능한 모든 파라미터의 전체 목록과 해당 설명은 SageMaker AI CreateTrainingJob API 참조를 참조하세요. 에서 지원하는 모든 파라미터를 서비스 작업 페이로드에 포함할 CreateTrainingJob 수 있습니다.

추가 훈련 작업 구성의 예는 SageMaker AI 개발자 안내서의 APIs, CLI 및 SDKs를 참조하세요.

PySDK에는 헬퍼 클래스와 유틸리티가 있으므로 서비스 작업 생성에 PySDK를 사용하는 것이 좋습니다. PySDK 사용 예제는 GitHub의 SageMaker AI 예제를 참조하세요.

서비스 작업 페이로드 예제

다음 예제는 "hello world" 훈련 스크립트를 실행하는 SageMaker 훈련 작업에 대한 간단한 서비스 작업 페이로드를 보여줍니다.

이 페이로드는를 호출할 때 serviceRequestPayload 파라미터에 JSON 문자열로 전달됩니다SubmitServiceJob.

{
  "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
  }
}