Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Utilisation d’un algorithme pour exécuter une tâche d’entraînement
<a name="sagemaker-mkt-algo-train"></a>

Vous pouvez créer une ressource d'algorithme pour créer une tâche de formation à l'aide de la console Amazon SageMaker AI, de l' SageMaker API Amazon de bas niveau ou du [SDK Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).

**Note**  
Votre rôle d'exécution doit être `sagemaker:DescribeAlgorithm` autorisé à accéder à la ressource d'algorithme que vous spécifiez. Pour plus d'informations sur les autorisations des rôles d'exécution, consultez[CreateTrainingJob API : autorisations relatives aux rôles d'exécution](sagemaker-roles.md#sagemaker-roles-createtrainingjob-perms).

**Topics**
+ [Utilisation d’un algorithme pour exécuter une tâche d’entraînement (console)](#sagemaker-mkt-algo-train-console)
+ [Utilisation d’un algorithme pour exécuter une tâche d’entraînement (API)](#sagemaker-mkt-algo-train-api)
+ [Utiliser un algorithme pour exécuter une tâche de formation ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-train-sdk)

## Utilisation d’un algorithme pour exécuter une tâche d’entraînement (console)
<a name="sagemaker-mkt-algo-train-console"></a>

**Pour utiliser un algorithme afin d’exécuter une tâche d’entraînement (console)**

1. Ouvrez la console SageMaker AI à l'adresse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).

1. Choisissez **Algorithmes**.

1. Choisissez un algorithme que vous avez créé dans la liste de l’onglet **Mes algorithmes** ou choisissez un algorithme auquel vous vous êtes abonné sur l’onglet des **abonnements AWS Marketplace **.

1. Choisissez **Créer une tâche d’entraînement**.

   L’algorithme que vous avez choisi sera automatiquement sélectionné.

1. Sur la page **Créer une tâche d’entraînement**, fournissez les informations suivantes :

   1. Sous **Nom de la tâche**, nommez la tâche d’entraînement.

   1. Pour le **rôle IAM**, choisissez un rôle IAM disposant des autorisations requises pour exécuter des tâches de formation dans SageMaker AI, ou choisissez **Créer un nouveau rôle** pour permettre à SageMaker AI de créer un rôle auquel la politique `AmazonSageMakerFullAccess` gérée est attachée. Pour plus d'informations, consultez [Comment utiliser les rôles d'exécution de l' SageMaker IA](sagemaker-roles.md).

   1. Sous **Configuration des ressources**, fournissez les informations suivantes :

      1. Sous **Type d’instance**, choisissez le type d’instance à utiliser pour l’entraînement.

      1. Sous **Nombre d’instances**, saisissez le nombre d’instances ML à utiliser pour la tâche d’entraînement.

      1. Sous **Taille du volume par instance (Go)**, entrez la taille du volume de stockage ML que vous souhaitez allouer. Les volumes de stockage ML stockent les artefacts de modèles et les états incrémentiels.

      1. Pour la **clé de chiffrement**, si vous souhaitez qu'Amazon SageMaker AI utilise une AWS clé du service de gestion des clés pour chiffrer les données du volume de stockage ML attaché à l'instance de formation, spécifiez la clé.

      1. Sous **Condition d’arrêt**, spécifiez la durée maximale, en secondes, en minutes, en heures ou en jours, pendant laquelle doit s’exécuter la tâche d’entraînement.

   1. Sous **VPC**, choisissez un Amazon VPC auquel votre conteneur d’entraînement pourra accéder. Pour de plus amples informations, veuillez consulter [Donnez aux SageMaker professionnels de formation en IA l'accès aux ressources de votre Amazon VPC](train-vpc.md).

   1. Sous **Hyperparamètres**, spécifiez les valeurs des hyperparamètres à utiliser pour la tâche d’entraînement.

   1. Sous **Configuration des données d’entrée**, spécifiez les valeurs suivantes pour chaque canal de données d’entrée à utiliser pour la tâche d’entraînement. Les canaux pris en charge par l’algorithme que vous utilisez pour le support d’entraînement, le type de contenu, le type de compression pris en charge et les modes d’entrée pris en charge pour chaque canal sont visibles sous la section **Spécification de canal** de la page **Récapitulatif d’algorithme** de l’algorithme.

      1. Dans le champ **Nom du canal**, saisissez le nom du canal d’entrée.

      1. Sous **Type de contenu**, saisissez le type de contenu des données attendu par l’algorithme pour le canal.

      1. Sous **Type de compression**, choisissez le type de compression des données à utiliser, le cas échéant.

      1. Sous **Habillage des enregistrements**, choisissez `RecordIO` si l’algorithme attend des données au format `RecordIO`.

      1. Sous **Type de données S3**, **Type de distribution de données S3** et **Emplacement S3**, spécifiez les valeurs appropriées. Pour obtenir des informations sur la signification de ces valeurs, consultez [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).

      1. Sous **Mode d’entrée**, choisissez **Fichier** afin de télécharger les données depuis le volume de stockage ML alloué et montez le répertoire dans un volume Docker. Choisissez **Tube** pour diffuser directement les données d’Amazon S3 vers le conteneur.

      1. Pour ajouter un autre canal d’entrée, choisissez **Ajouter canal**. Si vous avez terminé d’ajouter des canaux d’entrée, choisissez **Terminé**.

   1. Sous l’emplacement **Sortie**, spécifiez les valeurs suivantes :

      1. Sous **Chemin de sortie S3**, choisissez l’emplacement S3 où la tâche d’entraînement stocke la sortie, tels les artefacts de modèles.
**Note**  
Vous utilisez les artefacts de modèles stockés à cet emplacement pour créer un modèle ou un package de modèle à partir de cette tâche d’entraînement.

      1. Pour la **clé de chiffrement**, si vous souhaitez que l' SageMaker IA utilise une AWS KMS clé pour chiffrer les données de sortie au repos dans l'emplacement S3.

   1. Sous **Balises**, spécifiez une ou plusieurs balises permettant de gérer la tâche d’entraînement. Chaque balise est constituée d'une clé et d'une valeur facultative. Les clés de balise doivent être uniques à chaque ressource.

   1. Choisissez **Créer une tâche d’entraînement** afin d’exécuter la tâche d’entraînement.

## Utilisation d’un algorithme pour exécuter une tâche d’entraînement (API)
<a name="sagemaker-mkt-algo-train-api"></a>

Pour utiliser un algorithme afin d'exécuter une tâche de formation à l'aide de l' SageMaker API, spécifiez le nom ou l'Amazon Resource Name (ARN) comme `AlgorithmName` champ de l'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)objet auquel vous passez [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html). Pour plus d'informations sur les modèles de formation en SageMaker IA, consultez[Entraînez un modèle avec Amazon SageMaker](how-it-works-training.md).

## Utiliser un algorithme pour exécuter une tâche de formation ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
<a name="sagemaker-mkt-algo-train-sdk"></a>

Utilisez un algorithme que vous avez créé ou auquel vous vous êtes abonné AWS Marketplace pour créer une tâche de formation, créer un `AlgorithmEstimator` objet et spécifier le nom de la ressource Amazon (ARN) ou le nom de l'algorithme comme valeur de l'`algorithm_arn`argument. Appelez ensuite la méthode `fit` de l’évaluateur. Par exemple : 

```
from sagemaker import AlgorithmEstimator
data_path = os.path.join(DATA_DIR, 'marketplace', 'training')

algo = AlgorithmEstimator(
algorithm_arn='arn:aws:sagemaker:us-east-2:012345678901:algorithm/my-algorithm',
        role='SageMakerRole',
        instance_count=1,
        instance_type='ml.c4.xlarge',
        sagemaker_session=sagemaker_session,
        base_job_name='test-marketplace')

train_input = algo.sagemaker_session.upload_data(
path=data_path, key_prefix='integ-test-data/marketplace/train')

algo.fit({'training': train_input})
```