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.
# Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags
Sie können mithilfe der Amazon SageMaker AI-Konsole, der SageMaker Low-Level-Amazon-API oder des [Amazon SageMaker Python-SDK](https://sagemaker.readthedocs.io/en/stable) eine Algorithmusressource erstellen, um einen Trainingsjob zu erstellen.
**Anmerkung**
Ihre Ausführungsrolle muss über `sagemaker:DescribeAlgorithm` Berechtigungen für die von Ihnen angegebene Algorithmusressource verfügen. Weitere Hinweise zu Berechtigungen für Ausführungsrollen finden Sie unter[CreateTrainingJob API: Berechtigungen für die Ausführungsrolle](sagemaker-roles.md#sagemaker-roles-createtrainingjob-perms).
**Topics**
+ [Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags (Konsole)](#sagemaker-mkt-algo-train-console)
+ [Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags (API)](#sagemaker-mkt-algo-train-api)
+ [Einen Algorithmus verwenden, um einen Trainingsjob auszuführen ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-train-sdk)
## Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags (Konsole)
**So verwenden Sie einen Algorithmus zum Ausführen eines Trainingsauftrags (Konsole)**
1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie **Algorithmen** aus.
1. Wählen Sie einen Algorithmus, den Sie aus der Liste auf der Registerkarte **Meine Algorithmen** erstellt haben, oder wählen Sie auf der Registerkarte **AWS Marketplace -Abonnements** einen Algorithmus aus, den Sie abonniert haben.
1. Wählen Sie **Trainingsauftrag erstellen** aus.
Der Algorithmus, den Sie ausgewählt haben, wird automatisch markiert.
1. Geben Sie auf der Seite **Trainingsauftrag erstellen** folgende Informationen ein:
1. Geben Sie für **Name des Auftrags** einen Namen für den Trainingsauftrag ein.
1. Wählen Sie für die **IAM-Rolle** eine IAM-Rolle aus, die über die erforderlichen Berechtigungen für die Ausführung von Schulungsaufträgen in SageMaker KI verfügt, oder wählen Sie **Neue Rolle erstellen**, damit SageMaker KI eine Rolle erstellen kann, der die `AmazonSageMakerFullAccess` verwaltete Richtlinie zugeordnet ist. Weitere Informationen finden Sie unter [Wie verwendet man SageMaker AI-Ausführungsrollen](sagemaker-roles.md).
1. Geben Sie für **Ressourcenkonfiguration** die folgenden Informationen an:
1. Wählen Sie unter **Instance-Typ** den Instance-Typ aus, der für das Training benutzt werden soll.
1. Geben Sie unter **Instance-Anzahl** die Anzahl von ML-Instances ein, die für den Trainingsauftrag verwendet werden sollen.
1. Geben Sie für **Zusätzliches Volume pro Instance (GB)** die Größe des ML-Speicher-Volumes ein, das Sie bereitstellen möchten. ML-Speicher-Volumes speichern Modellartefakte und inkrementelle Zustände.
1. Wenn Sie möchten, dass Amazon SageMaker AI einen **Key Management AWS Service-Schlüssel verwendet, um Daten auf dem ML-Speichervolume zu verschlüsseln, das an die Trainingsinstanz angehängt ist, geben Sie den Schlüssel für den Verschlüsselungsschlüssel** an.
1. Geben Sie für **Stopp-Bedingung** die maximale Zeitspanne in Sekunden, Minuten, Stunden oder Tagen an, die der Trainingsauftrag ausgeführt werden soll.
1. Wählen Sie für **VPC** eine Amazon VPC aus, auf die Ihr Trainingscontainer zugreifen kann. Weitere Informationen finden Sie unter [Geben Sie SageMaker KI-Schulungsjobs Zugriff auf Ressourcen in Ihrer Amazon VPC](train-vpc.md).
1. Geben Sie für **Hyperparameter** die Werte der Hyperparameter an, die für den Trainingsauftrag verwendet werden sollen.
1. Geben Sie unter **Eingabedatenkonfiguration** die folgenden Werte für jeden Eingabedatenkanal an, der für den Trainingsauftrag verwendet werden soll. Im Abschnitt **Kanalspezifikation** der Seite **Algorithmusübersicht** können Sie sehen, welche Kanäle der von Ihnen verwendete Algorithmus für das Training unterstützt, sowie den Inhaltstyp, den unterstützten Komprimierungstyp und unterstützte Eingabemodi für jeden Kanal.
1. Geben Sie unter **Kanalname** den Namen des Eingabekanals ein.
1. Geben Sie für **Content type (Content-Type)** den Inhaltstyp der Daten ein, die der Algorithmus für den Channel erwartet.
1. Wählen Sie für **Komprimierungstyp** den Datenkomprimierungstyp aus, falls vorhanden.
1. Wählen Sie für **Wrapper aufzeichnen** die Option `RecordIO` aus, wenn der Algorithmus Daten im `RecordIO`-Format erwartet.
1. Geben Sie für **S3 data type (S3-Datentyp)**, **S3 data distribution type (S3-Verteilungstyp)** und **S3 location (S3-Speicherort)** die entsprechenden Werte ein. Weitere Informationen zur Bedeutung dieser Werte finden Sie unter [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. Wählen Sie für **Eingabemodus** die Option **Datei** aus, um die Daten aus dem bereitgestellten ML-Speicher-Volume herunterzuladen, und mounten Sie das Verzeichnis in ein Docker-Volume. Wählen Sie **Pipe** aus, um Daten direkt von Amazon S3 in den Container zu streamen.
1. Um einen weiteren Eingabekanal hinzuzufügen, wählen Sie **Kanal hinzufügen** aus. Wenn Sie mit dem Hinzufügen von Eingabekanälen fertig sind, wählen Sie **Fertig** aus.
1. Geben Sie für den Speicherort **Ausgabe** die folgende Werte an:
1. Wählen Sie für **S3-Ausgabepfad** den S3-Speicherort aus, an dem der Trainingsauftrag die Ausgabe wie z. B. Modellartefakte speichert.
**Anmerkung**
Sie verwenden die Modellartefakte an diesem Speicherort zum Erstellen eines Modells oder Modellpakets aus diesem Trainingsauftrag.
1. Für den **Verschlüsselungsschlüssel**, wenn Sie möchten, dass SageMaker KI einen AWS KMS Schlüssel verwendet, um die am S3-Speicherort gespeicherten Ausgabedaten zu verschlüsseln.
1. Geben Sie für **Tags** ein oder mehrere Tags an, um den Trainingsauftrag zu verwalten. Jedes Tag besteht aus einem Schlüssel und einem optionalen Wert. Tag-Schlüssel müssen in einer Ressource eindeutig sein.
1. Wählen Sie **Trainingsauftrag erstellen** aus, um den Trainingsauftrag auszuführen.
## Verwenden eines Algorithmus zum Ausführen eines Trainingsauftrags (API)
Um einen Algorithmus zur Ausführung eines Trainingsjobs mithilfe der SageMaker API zu verwenden, geben Sie entweder den Namen oder den Amazon-Ressourcennamen (ARN) als `AlgorithmName` Feld des [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)Objekts an, an das Sie übergeben [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html). Informationen zu Trainingsmodellen in SageMaker KI finden Sie unter[Trainiere ein Modell mit Amazon SageMaker](how-it-works-training.md).
## Einen Algorithmus verwenden, um einen Trainingsjob auszuführen ([Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable))
Verwenden Sie einen Algorithmus, den Sie erstellt oder abonniert haben, AWS Marketplace um einen Trainingsjob zu erstellen, erstellen Sie ein `AlgorithmEstimator` Objekt und geben Sie entweder den Amazon-Ressourcennamen (ARN) oder den Namen des Algorithmus als Wert des `algorithm_arn` Arguments an. Rufen Sie dann die `fit`-Methode der Schätzfunktion auf. Beispiel:
```
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})
```