Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Überblick: Führen Sie Verarbeitungsaufträge mithilfe eines Geodatencontainers aus `ScriptProcessor` SageMaker
<a name="geospatial-custom-operations-overview"></a>

SageMaker Geospatial bietet einen speziell dafür entwickelten Verarbeitungscontainer,. `081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest` Sie können diesen Container verwenden, wenn Sie einen Job mit Amazon SageMaker Processing ausführen. Wenn Sie eine Instanz der [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor)Klasse erstellen, die über das *Amazon SageMaker Python SDK for Processing* verfügbar ist, geben Sie dies an`image_uri`.

**Anmerkung**  
Wenn Sie beim Versuch, einen Verarbeitungsjob zu starten, eine ResourceLimitExceededFehlermeldung erhalten, müssen Sie eine Erhöhung des Kontingents beantragen. Informationen zur Beantragung einer Quotenerhöhung für Service Quotas finden Sie unter [Beantragung einer Quotenerhöhung](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) im *Service Quotas-Benutzerhandbuch* 

**Voraussetzungen für die Verwendung von `ScriptProcessor`**

1. Sie haben ein Python Skript erstellt, das Ihre Geospatial-ML-Arbeitslast spezifiziert.

1. Sie haben der SageMaker AI-Ausführungsrolle Zugriff auf alle benötigten Amazon S3 S3-Buckets gewährt.

1. Bereiten Sie Ihre Daten für den Import in den Container vor. Amazon SageMaker Processing Jobs unterstützen entweder die Einstellung `s3_data_type` gleich `"ManifestFile"` oder gleich`"S3Prefix"`.

Das folgende Verfahren zeigt Ihnen, wie Sie mithilfe des SageMaker Geospatial-Containers eine Instanz von Amazon SageMaker Processing erstellen `ScriptProcessor` und einen Auftrag einreichen.

**So erstellen Sie eine `ScriptProcessor` Instance und reichen einen Amazon SageMaker Processing-Job mithilfe eines SageMaker Geodatencontainers ein**

1. Instanziieren Sie eine Instanz der `ScriptProcessor` Klasse mithilfe des Geodatenbilds: SageMaker 

   ```
   from sagemaker.processing import ScriptProcessor, ProcessingInput, ProcessingOutput
   	
   sm_session = sagemaker.session.Session()
   execution_role_arn = sagemaker.get_execution_role()
   
   # purpose-built geospatial container
   image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest'
   
   script_processor = ScriptProcessor(
   	command=['python3'],
   	image_uri=image_uri,
   	role={{execution_role_arn}},
   	instance_count=4,
   	instance_type='ml.m5.4xlarge',
   	sagemaker_session={{sm_session}}
   )
   ```

   {{execution\_role\_arn}}Ersetzen Sie es durch den ARN der SageMaker KI-Ausführungsrolle, die Zugriff auf die in Amazon S3 gespeicherten Eingabedaten und alle anderen AWS Dienste hat, die Sie in Ihrem Verarbeitungsjob aufrufen möchten. Sie können die `instance_count` und die `instance_type` aktualisieren, um sie an die Anforderungen Ihres Verarbeitungsjobs anzupassen.

1. Verwenden Sie die folgende `.run()` Methode, um einen Verarbeitungsjob zu starten:

   ```
   # Can be replaced with any S3 compliant string for the name of the folder.
   s3_folder = {{geospatial-data-analysis}}
   
   # Use .default_bucket() to get the name of the S3 bucket associated with your current SageMaker session
   s3_bucket = sm_session.default_bucket()
   					
   s3_manifest_uri = f's3://{s3_bucket}/{s3_folder}/manifest.json'
   s3_prefix_uri =  f's3://{s3_bucket}/{s3_folder}/image-prefix
   
   script_processor.run(
   	code='{{preprocessing.py}}',
   	inputs=[
   		ProcessingInput(
   			source={{s3_manifest_uri}} | {{s3_prefix_uri}} ,
   			destination='/opt/ml/processing/input_data/',
   			s3_data_type= {{"ManifestFile" }}| {{"S3Prefix"}},
   			s3_data_distribution_type= {{"ShardedByS3Key"}} | {{"FullyReplicated"}}
   		)
   	],
   	outputs=[
           ProcessingOutput(
               source='/opt/ml/processing/output_data/',
               destination=s3_output_prefix_url
           )
       ]
   )
   ```
   + {{preprocessing.py}}Ersetzen Sie es durch den Namen Ihres eigenen Python-Datenverarbeitungsskripts.
   + Ein Verarbeitungsjob unterstützt zwei Methoden zum Formatieren Ihrer Eingabedaten. Sie können entweder eine Manifestdatei erstellen, die auf alle Eingabedaten für Ihren Verarbeitungsauftrag verweist, oder Sie können für jede einzelne Dateneingabe ein gemeinsames Präfix verwenden. Wenn Sie eine Manifestdatei erstellt haben, die `s3_manifest_uri` gleich `"ManifestFile"` ist. Wenn Sie ein Dateipräfix verwendet haben, das `s3_manifest_uri` gleich `"S3Prefix"` gesetzt ist. Sie geben den Pfad zu Ihren Daten mit `source` an.
   + Sie können die Daten Ihres Verarbeitungsauftrags auf zwei Arten verteilen:
     + Verteilen Sie Ihre Daten auf alle Verarbeitungsinstances, indem Sie `s3_data_distribution_type` gleich `FullyReplicated` setzen.
     + Verteilen Sie Ihre Daten auf der Grundlage des Amazon S3-Schlüssels in Shards, indem Sie `s3_data_distribution_type` gleich `ShardedByS3Key` setzen. Bei der Verwendung von `ShardedByS3Key` wird an jede Verarbeitungsinstance ein Datenbruchstück gesendet.

    Sie können ein Skript verwenden, um SageMaker Geodaten zu verarbeiten. Dieses Skript finden Sie in [Schritt 3: Schreiben eines Skripts, das den NDVI berechnen kann](geospatial-custom-operations-procedure.md#geospatial-custom-operations-script-mode). Weitere Informationen zum `.run()` API-Betrieb finden Sie [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run)im *Amazon SageMaker Python SDK for Processing*.

Um den Fortschritt Ihres Verarbeitungsauftrags zu überwachen, unterstützt die `ProcessingJobs` Klasse eine [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe) Methode. Diese Methode gibt eine Antwort vom `DescribeProcessingJob` API-Aufruf zurück. Weitere Informationen finden Sie [`DescribeProcessingJob`in der *Amazon SageMaker AI API-Referenz*](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeProcessingJob.html).

Im nächsten Thema erfahren Sie, wie Sie mithilfe des SageMaker Geospatial-Containers eine Instanz der `ScriptProcessor` Klasse erstellen und anschließend anhand von Bildern den Normalized Difference Vegetation Index (NDVI) berechnen. Sentinel-2