View a markdown version of this page

向配额共享提交作业 - Amazon Batch
先决条件向配额共享提交服务任务
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

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。

向配额共享提交作业

配额管理任务队列要求所有作业在提交作业时指定配额份额。要向配额共享提交作业，请在quotaShareName中指定SubmitServiceJob。preemptionConfiguration可以选择提供 A 来限制在任务尝试进入之前的抢占尝试次数。FAILED要限制工作经历的抢占次数，请在提交工作时将其设置preemptionRetriesBeforeTerminationServiceJobPreemptionConfiguration在内。

先决条件

在向配额共享提交作业之前，请确保您已经：

向配额共享提交服务任务

下表显示了如何使用 SageMaker Python SDK 或 Amazon CLI 向配额共享提交服务任务：

Submit using the SageMaker Python SDK

SageMaker Python SDK 内置支持向启用配额管理的作业队列提交作业。以下示例说明如何创建模型训练器、创建训练队列以及如何向配额共享提交作业。有关完整示例，请参阅上的完整示例笔记本 GitHub。

创建用于ModelTrainer定义训练作业配置的。

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),
)

创建一个按名称引用已启用配额管理的作业队列的TrainingQueue对象。

from sagemaker.train.aws_batch.training_queue import TrainingQueue

queue = TrainingQueue("my-sagemaker-job-queue")

通过调用queue.submit并指定，将任务提交给配额共享quota_share_name。您应该设置priority以影响配额份额内的任务顺序。现实世界ModelTrainer需要inputs这样才能有数据可以训练。

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 Amazon CLI

以下示例使用submit-service-job命令向配额共享提交任务。

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}}'"