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.
# Cree un trabajo de formación con la API y AWS CLI el SageMaker SDK
Para utilizar planes de SageMaker formación para su trabajo de SageMaker formación, especifique el `TrainingPlanArn` parámetro del plan deseado en la operación de la [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)API `ResourceConfig` al llamar. Puede utilizar exactamente un plan por trabajo.
**importante**
El campo `InstanceType` establecido en la sección `ResourceConfig` de la solicitud `CreateTrainingJob` debe coincidir con el `InstanceType` de su plan de entrenamiento.
## Ejecute un trabajo de entrenamiento en un plan mediante la CLI
El siguiente ejemplo muestra cómo crear un trabajo de SageMaker formación y asociarlo a un plan de formación proporcionado mediante el `TrainingPlanArn` atributo del `create-training-job` AWS CLI comando.
Para obtener más información sobre cómo crear un trabajo de formación mediante el AWS CLI [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)comando, consulte [https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-training-job.html](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-training-job.html).
```
# Create a training job
aws sagemaker create-training-job \
--training-job-name training-job-name \
...
--resource-config '{
"InstanceType": "ml.p5.48xlarge",
"InstanceCount": 8,
"VolumeSizeInGB": 10,
"TrainingPlanArn": "training-plan-arn"
}
}' \
...
```
Este comando de AWS CLI ejemplo crea un nuevo trabajo de entrenamiento en SageMaker IA al incluir un plan de entrenamiento en el `--resource-config` argumento.
```
aws sagemaker create-training-job \
--training-job-name job-name \
--role-arn arn:aws:iam::111122223333:role/DataAndAPIAccessRole \
--algorithm-specification '{"TrainingInputMode": "File","TrainingImage": "111122223333.dkr.ecr.us-east-1.amazonaws.com/algo-image:tag", "ContainerArguments": [" "]}' \
--input-data-config '[{"ChannelName":"training","DataSource":{"S3DataSource":{"S3DataType":"S3Prefix","S3Uri":"s3://bucketname/input","S3DataDistributionType":"ShardedByS3Key"}}}]' \
--output-data-config '{"S3OutputPath": "s3://bucketname/output"}' \
--resource-config '{"VolumeSizeInGB":10,"InstanceCount":4,"InstanceType":"ml.p5.48xlarge", "TrainingPlanArn" : "arn:aws:sagemaker:us-east-1:111122223333:training-plan/plan-name"}' \
--stopping-condition '{"MaxRuntimeInSeconds": 1800}' \
--region us-east-1
```
Tras crear el trabajo de entrenamiento, puede comprobar que se haya asignado correctamente al plan de entrenamiento llamando a la API `DescribeTrainingJob`.
```
aws sagemaker describe-training-job --training-job-name training-job-name
```
## Ejecute un trabajo de formación según un plan con el SDK de Python para SageMaker IA
Como alternativa, puedes crear un trabajo de formación asociado a un plan de formación mediante el [SDK de SageMaker Python](https://sagemaker.readthedocs.io/en/stable/v2.html).
Si utilizas el SDK de SageMaker Python de JupyterLab Studio para crear un trabajo de formación, asegúrate de que la función de ejecución utilizada por el espacio que ejecuta la JupyterLab aplicación tenga los permisos necesarios para utilizar los planes de SageMaker formación. Para obtener más información sobre los permisos necesarios para usar los planes de SageMaker formación, consulte[IAM para planes de SageMaker formación](training-plan-iam-permissions.md).
El siguiente ejemplo muestra cómo crear un trabajo de SageMaker formación y asociarlo a un plan de formación proporcionado mediante el `training_plan` atributo del `Estimator` objeto cuando se utiliza el SDK de SageMaker Python.
Para obtener más información sobre el SageMaker estimador, consulte [Usar un SageMaker estimador para ejecutar un](https://docs.aws.amazon.com/sagemaker/latest/dg/docker-containers-adapt-your-own-private-registry-estimator.html) trabajo de formación.
```
import sagemaker
import boto3
from sagemaker import get_execution_role
from sagemaker.estimator import Estimator
from sagemaker.inputs import TrainingInput
# Set up the session and SageMaker client
session = boto3.Session()
region = session.region_name
sagemaker_session = session.client('sagemaker')
# Get the execution role for the training job
role = get_execution_role()
# Define the input data configuration
trainingInput = TrainingInput(
s3_data='s3://input-path',
distribution='ShardedByS3Key',
s3_data_type='S3Prefix'
)
estimator = Estimator(
entry_point='train.py',
image_uri="123456789123.dkr.ecr.{}.amazonaws.com/image:tag",
role=role,
instance_count=4,
instance_type='ml.p5.48xlarge',
training_plan="training-plan-arn",
volume_size=20,
max_run=3600,
sagemaker_session=sagemaker_session,
output_path="s3://output-path"
)
# Create the training job
estimator.fit(inputs=trainingInput, job_name=job_name)
```
Tras crear el trabajo de entrenamiento, puede comprobar que se haya asignado correctamente al plan de entrenamiento llamando a la API `DescribeTrainingJob`.
```
# Check job details
sagemaker_session.describe_training_job(TrainingJobName=job_name)
```