View a markdown version of this page

Cargas útiles de trabajos de servicio en AWS Batch - AWS Batch
Ejemplo de carga útil de un trabajo de servicio

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Cargas útiles de trabajos de servicio en AWS Batch

Cuando envías trabajos de servicio usando SubmitServiceJob, proporciona dos parámetros clave que definen el trabajo: serviceJobType, y serviceRequestPayload.

  • El serviceJobType especifica cuál AWS el servicio ejecutará el trabajo. Para SageMaker Trabajos de formación, este valor es SAGEMAKER_TRAINING.

  • El serviceRequestPayload es un JSON-encoded cadena que contiene la solicitud completa que normalmente se enviaría directamente al servicio de destino. Para SageMaker Para los trabajos de formación, esta carga útil contiene los mismos parámetros que utilizaría con SageMaker I.A. CreateTrainingJob API.

Para obtener una lista completa de todos los parámetros disponibles y sus descripciones, consulte la SageMaker I.A. CreateTrainingJob Referencia de API. Todos los parámetros que sean compatibles con CreateTrainingJob se pueden incluir en la carga útil del trabajo de servicio.

Para ver más ejemplos de configuraciones de trabajos de capacitación, consulte API, CLI y SDK en el SageMaker Guía para desarrolladores de IA.

Recomendamos utilizar PySDK para la creación de trabajos de servicio, ya que PySDK tiene clases y utilidades auxiliares. Para ver un ejemplo del uso de PySDK, consulte SageMaker Ejemplos de IA en GitHub.

Ejemplo de carga útil de un trabajo de servicio

El siguiente ejemplo muestra una carga útil de trabajos de servicio simple para un SageMaker Trabajo de formación que ejecuta un guion de formación que dice «hola mundo»:

Esta carga útil se pasará como una cadena JSON al parámetro serviceRequestPayload cuando se llame 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
  }
}