Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Menjalankan pekerjaan SageMaker pelatihan
<a name="cluster-specific-configurations-run-sagemaker-training-job"></a>

SageMaker HyperPod Resep mendukung pengiriman pekerjaan SageMaker pelatihan. Sebelum Anda mengirimkan pekerjaan pelatihan, Anda harus memperbarui konfigurasi cluster`sm_job.yaml`, dan menginstal lingkungan yang sesuai.

## Gunakan resep Anda sebagai pekerjaan SageMaker pelatihan
<a name="cluster-specific-configurations-cluster-config-sm-job-yaml"></a>

Anda dapat menggunakan resep Anda sebagai pekerjaan SageMaker pelatihan jika Anda tidak menjadi tuan rumah cluster. Anda harus memodifikasi file konfigurasi pekerjaan SageMaker pelatihan,`sm_job.yaml`, untuk menjalankan resep Anda.

```
sm_jobs_config:
  output_path: null 
  tensorboard_config:
    output_path: null 
    container_logs_path: null
  wait: True 
  inputs: 
    s3: 
      train: null
      val: null
    file_system:  
      directory_path: null
  additional_estimator_kwargs: 
    max_run: 1800
```

1. `output_path`: Anda dapat menentukan di mana Anda menyimpan model Anda ke URL Amazon S3.

1. `tensorboard_config`: Anda dapat menentukan konfigurasi TensorBoard terkait seperti jalur keluaran atau jalur TensorBoard log.

1. `wait`: Anda dapat menentukan apakah Anda sedang menunggu pekerjaan selesai ketika Anda mengirimkan pekerjaan pelatihan Anda.

1. `inputs`: Anda dapat menentukan jalur untuk data pelatihan dan validasi Anda. Sumber data dapat berasal dari sistem file bersama seperti Amazon FSx atau URL Amazon S3.

1. `additional_estimator_kwargs`: Argumen estimator tambahan untuk mengirimkan pekerjaan pelatihan ke platform pekerjaan SageMaker pelatihan. Untuk informasi selengkapnya, lihat [Penaksir Algoritma](https://sagemaker.readthedocs.io/en/stable/api/training/algorithm.html).