在中提交服务作业 AWS Batch - AWS Batch
服务作业提交工作流程先决条件使用 AWS CLI 提交服务作业

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

在中提交服务作业 AWS Batch

要向提交服务任务 AWS Batch，请使用 SubmitServiceJobAPI。您可以使用 AWS CLI 或 SDK 提交作业。

如果您还没有执行角色，则必须先创建一个执行角色，然后才能提交服务作业。要创建 SageMaker AI 执行角色，请参阅 SageMaker AI 开发者指南中的如何使用 SageMaker AI 执行角色。

服务作业提交工作流程

提交服务任务时，请 AWS Batch 遵循以下工作流程：

  1. AWS Batch 接收您的SubmitServiceJob请求并验证 AWS Batch特定参数。未经验证serviceRequestPayload即通过。

  2. 作业进入SUBMITTED状态并被置于指定的作业队列中

  3. AWS Batch 评估服务环境中是否有可用容量用于排在RUNNABLE队列前面的作业

  4. 如果容量可用，则任务将移至SCHEDULED，任务已传递给 SageMaker AI

  5. 获得容量并且 SageMaker AI 下载了服务作业数据后，服务作业将开始初始化并将任务更改为STARTING。

  6. 当 SageMaker AI 开始执行任务时，其状态将更改为RUNNING。

  7. 当 SageMaker AI 执行任务时， AWS Batch 监视其进度并将服务状态映射到 AWS Batch 作业状态。有关如何映射服务作业状态的详细信息，请参阅 将 AWS Batch 服务作业状态映射到 SageMaker AI 状态

  8. 当服务作业完成后，它会移至SUCCEEDED，任何输出都准备好下载了。

先决条件

在提交服务任务之前，请确保您已经：

使用 AWS CLI 提交服务作业

以下说明如何使用 AWS CLI 提交服务作业：

aws batch submit-service-job \
    --job-name "my-sagemaker-training-job" \
    --job-queue "my-sagemaker-job-queue" \
    --service-job-type "SAGEMAKER_TRAINING" \
    --service-request-payload '{\"TrainingJobName\": \"sagemaker-training-job-example\", \"AlgorithmSpecification\": {\"TrainingImage\": \"123456789012.dkr.ecr.us-east-1.amazonaws.com/pytorch-inference:1.8.0-cpu-py3\", \"TrainingInputMode\": \"File\", \"ContainerEntrypoint\":  [\"sleep\", \"1\"]}, \"RoleArn\":\"arn:aws:iam::123456789012:role/SageMakerExecutionRole\", \"OutputDataConfig\": {\"S3OutputPath\": \"s3://example-bucket/model-output/\"}, \"ResourceConfig\": {\"InstanceType\": \"ml.m5.large\", \"InstanceCount\": 1, \"VolumeSizeInGB\": 1}}'
    --client-token "unique-token-12345"

有关 serviceRequestPayload 参数的更多信息，请参阅 中的服务任务有效负载 AWS Batch。