本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
將任務提交至配額共享
配額管理任務佇列要求所有任務在提交任務時指定配額共享。若要將任務提交至配額共享，請在 SubmitServiceJob quotaShareName中指定 。preemptionConfiguration 可以選擇性地提供 ，以限制任務嘗試進入 之前的先佔嘗試次數FAILED。若要限制任務體驗的先佔數量，請在提交任務時於 ServiceJobPreemptionConfiguration preemptionRetriesBeforeTermination中設定 。
先決條件
在將任務提交至配額共享之前，請確定您有：
將服務任務提交至配額共享
下表顯示如何使用 SageMaker Python SDK 或 CLI AWS 將服務任務提交至配額共享：
- Submit using the SageMaker Python SDK
-
SageMaker Python SDK 具有內建支援，可將任務提交至已啟用配額管理的任務佇列。下列範例示範如何建立模型訓練器、建立訓練佇列，以及將任務提交至配額共享。如需完整範例，請參閱 GitHub 上的完整範例筆記本。
建立ModelTrainer定義訓練任務組態的 。
from sagemaker.train.model_trainer import ModelTrainer
from sagemaker.train.configs import SourceCode, Compute, StoppingCondition
source_code = SourceCode(command="echo 'Hello World'")
model_trainer = ModelTrainer(
training_image="123456789012.dkr.ecr.us-east-1.amazonaws.com/pytorch-training:2.5-gpu-py311",
source_code=source_code,
base_job_name="my-training-job",
compute=Compute(instance_type="ml.g5.xlarge", instance_count=1),
stopping_condition=StoppingCondition(max_runtime_in_seconds=300),
)
建立依名稱參考已啟用配額管理任務佇列的TrainingQueue物件。
from sagemaker.train.aws_batch.training_queue import TrainingQueue
queue = TrainingQueue("my-sagemaker-job-queue")
呼叫 queue.submit並指定 ，將任務提交至配額共享quota_share_name。您應該設定 priority來影響配額共享中的任務排序。真實世界ModelTrainer將需要 ，inputs才能擁有要訓練的資料。
job = queue.submit(
job_name="my-training-job",
training_job=model_trainer,
quota_share_name="my_quota_share",
priority=3,
inputs=None,
)
- Submit using the AWS CLI
-
下列範例使用 submit-service-job命令將任務提交至配額共享。
aws batch submit-service-job \
--job-name "my-sagemaker-training-job" \
--job-queue "my-sagemaker-job-queue" \
--service-job-type "SAGEMAKER_TRAINING" \
--quota-share-name "my_quota_share" \
--timeout-config '{"attemptDurationSeconds":3600}' \
--scheduling-priority 5 \
--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}}'"
