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。

# 中的服务任务有效负载 Amazon Batch
<a name="service-job-payload"></a>

使用提交服务作业时 [SubmitServiceJob](https://docs.amazonaws.cn/batch/latest/APIReference/API_SubmitServiceJob.html)，您需要提供两个用于定义任务的关键参数：`serviceJobType`、和`serviceRequestPayload`。
+ `serviceJobType`指定哪个 Amazon 服务将执行作业。对于 SageMaker 培训作业，此值为`SAGEMAKER_TRAINING`。
+ `serviceRequestPayload` 是一个 JSON 编码的字符串，其中包含通常会直接发送到目标服务的完整请求。对于 SageMaker 训练作业，此负载包含的参数与您在 SageMaker A [CreateTrainingJob](https://docs.amazonaws.cn/sagemaker/latest/APIReference/API_CreateTrainingJob.html)I API 中使用的参数相同。

有关所有可用参数及其描述的完整列表，请参阅 SageMaker A [CreateTrainingJob](https://docs.amazonaws.cn/sagemaker/latest/APIReference/API_CreateTrainingJob.html)I API 参考。`CreateTrainingJob` 支持的所有参数都可以包含在服务作业有效载荷中。

有关更多训练作业配置的示例 [APIs，请参阅 CLI 和 SDKs SageMaker ](https://docs.amazonaws.cn/sagemaker/latest/dg/api-and-sdk-reference-overview.html) [AI 开发者指南](https://docs.amazonaws.cn/sagemaker/latest/dg/gs.html)。

我们建议使用 PySDK 创建服务作业，因为 PySDK 提供了帮助程序类和实用程序。有关使用 pySDK 的示例，请参阅上的 [SageMaker AI 示例](https://github.com/aws/amazon-sagemaker-examples)。 GitHub

## 服务作业有效载荷示例
<a name="service-job-payload-example"></a>

以下示例显示了运行 “hello world” SageMaker 训练脚本的训练作业的简单服务作业负载：

调用 `SubmitServiceJob` 时，此有效载荷将作为 JSON 字符串传递给 `serviceRequestPayload` 参数。

```
{
  "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
  }
}
```