View a markdown version of this page

Cargas úteis de trabalho de manutenção em AWS Batch - AWS Batch
Exemplo de carga útil de trabalho de serviço

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Cargas úteis de trabalho de manutenção em AWS Batch

Ao enviar trabalhos de serviço usando SubmitServiceJob, você fornece dois parâmetros principais que definem o trabalho: serviceJobType serviceRequestPayload e.

  • O serviceJobType especifica qual AWS serviço executará o trabalho. Para trabalhos SageMaker de treinamento, esse valor éSAGEMAKER_TRAINING.

  • A serviceRequestPayload é uma JSON-encoded string que contém a solicitação completa que normalmente seria enviada diretamente para o serviço de destino. Para trabalhos de SageMaker treinamento, essa carga contém os mesmos parâmetros que você usaria com a CreateTrainingJob API SageMaker AI.

Para ver uma lista completa de todos os parâmetros disponíveis e suas descrições, consulte a referência da CreateTrainingJob API SageMaker AI. Todos os parâmetros suportados pelo CreateTrainingJob podem ser incluídos na carga útil do seu trabalho de serviço.

Para ver exemplos de mais configurações de tarefas de treinamento, consulte APIs, CLI e SDKs no Guia do SageMaker desenvolvedor de IA.

Recomendamos usar o PySDK para a criação de trabalhos de serviço porque o PySDK tem classes auxiliares e utilitários. Para ver um exemplo de uso do PySDK, consulte exemplos de SageMaker IA em. GitHub

Exemplo de carga útil de trabalho de serviço

O exemplo a seguir mostra uma carga útil de serviço simples para uma tarefa de SageMaker treinamento que executa um script de treinamento “hello world”:

Essa carga útil seria passada como uma string JSON para o parâmetro serviceRequestPayload ao chamar o 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
  }
}