Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Gunakan Pekerjaan Amazon SageMaker AI
Bagian ini didasarkan pada versi asli [Operator SageMaker AI untuk Kubernetes](https://github.com/aws/amazon-sagemaker-operator-for-k8s).
**penting**
Kami menghentikan pengembangan dan dukungan teknis dari versi asli [ SageMaker Operator untuk Kubernetes](https://github.com/aws/amazon-sagemaker-operator-for-k8s/tree/master).
Jika saat ini Anda menggunakan [ SageMaker Operator untuk Kubernetes versi `v1.2.2` atau di bawah ini, kami sarankan untuk](https://github.com/aws/amazon-sagemaker-operator-for-k8s/tree/master) memigrasikan sumber daya Anda ke [pengontrol layanan ACK](https://github.com/aws-controllers-k8s/sagemaker-controller) untuk Amazon. SageMaker Pengontrol layanan ACK adalah generasi baru SageMaker Operator untuk Kubernetes berdasarkan [AWS Controller for Kubernetes](https://aws-controllers-k8s.github.io/community/) (ACK).
Untuk informasi tentang langkah-langkah migrasi, lihat[Migrasikan sumber daya ke Operator terbaru](kubernetes-sagemaker-operators-migrate.md).
Untuk jawaban atas pertanyaan umum di akhir dukungan versi asli SageMaker Operator untuk Kubernetes, lihat [Mengumumkan Akhir Dukungan Versi Asli Operator SageMaker AI untuk Kubernetes](kubernetes-sagemaker-operators-eos-announcement.md)
Untuk menjalankan pekerjaan Amazon SageMaker AI menggunakan Operator for Kubernetes, Anda dapat menerapkan file YAMM atau menggunakan Bagan Helm yang disediakan.
Semua pekerjaan operator sampel dalam tutorial berikut menggunakan data sampel yang diambil dari kumpulan data MNIST publik. Untuk menjalankan sampel ini, unduh kumpulan data ke bucket Amazon S3 Anda. Anda dapat menemukan kumpulan data di [Unduh Dataset MNIST](https://docs.aws.amazon.com/sagemaker/latest/dg/ex1-preprocess-data-pull-data.html).
**Topics**
+ [TrainingJob Operator](#trainingjob-operator)
+ [HyperParameterTuningJob Operator](#hyperparametertuningjobs-operator)
+ [BatchTransformJob Operator](#batchtransformjobs-operator)
+ [HostingDeployment Operator](#hosting-deployment-operator)
+ [ProcessingJob Operator](#kubernetes-processing-job-operator)
+ [HostingAutoscalingPolicy (HAP) Operator](#kubernetes-hap-operator)
## TrainingJob Operator
Operator pekerjaan pelatihan merekonsiliasi spesifikasi pekerjaan pelatihan yang Anda tentukan dengan SageMaker AI dengan meluncurkannya untuk Anda di AI. SageMaker Anda dapat mempelajari lebih lanjut tentang pekerjaan SageMaker pelatihan dalam [dokumentasi SageMaker AI CreateTrainingJob API](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateTrainingJob.html).
**Topics**
+ [Membuat file TrainingJob menggunakan YAMG](#create-a-trainingjob-using-a-simple-yaml-file)
+ [Membuat TrainingJob Menggunakan Bagan Helm](#create-a-trainingjob-using-a-helm-chart)
+ [Daftar TrainingJobs](#list-training-jobs)
+ [Jelaskan TrainingJob](#describe-a-training-job)
+ [Lihat log dari TrainingJobs](#view-logs-from-training-jobs)
+ [Hapus TrainingJobs](#delete-training-jobs)
### Membuat file TrainingJob menggunakan YAMG
1. Unduh file YAMAL sampel untuk pelatihan menggunakan perintah berikut:
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/xgboost-mnist-trainingjob.yaml
```
1. Edit `xgboost-mnist-trainingjob.yaml` file untuk mengganti `roleArn` parameter dengan Anda``, dan `outputPath` dengan bucket Amazon S3 Anda yang peran eksekusi SageMaker AI memiliki akses tulis. `roleArn`Harus memiliki izin sehingga SageMaker AI dapat mengakses Amazon S3, CloudWatch Amazon, dan layanan lainnya atas nama Anda. Untuk informasi selengkapnya tentang membuat SageMaker AI ExecutionRole, lihat [Peran SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms). Terapkan file YAMAL menggunakan perintah berikut:
```
kubectl apply -f xgboost-mnist-trainingjob.yaml
```
### Membuat TrainingJob Menggunakan Bagan Helm
Anda dapat menggunakan Helm Charts untuk menjalankan TrainingJobs.
1. Kloning GitHub repositori untuk mendapatkan sumber menggunakan perintah berikut:
```
git clone https://github.com/aws/amazon-sagemaker-operator-for-k8s.git
```
1. Arahkan ke `amazon-sagemaker-operator-for-k8s/hack/charts/training-jobs/` folder dan edit `values.yaml` file untuk mengganti nilai seperti `rolearn` dan `outputpath` dengan nilai yang sesuai dengan akun Anda. RoLearn harus memiliki izin sehingga SageMaker AI dapat mengakses Amazon S3, Amazon CloudWatch, dan layanan lainnya atas nama Anda. Untuk informasi selengkapnya tentang membuat SageMaker AI ExecutionRole, lihat [Peran SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms).
#### Buat TrainingJob
Dengan peran dan bucket Amazon S3 diganti dengan nilai yang sesuai di`values.yaml`, Anda dapat membuat pekerjaan pelatihan menggunakan perintah berikut:
```
helm install . --generate-name
```
Output Anda akan terlihat seperti berikut:
```
NAME: chart-12345678
LAST DEPLOYED: Wed Nov 20 23:35:49 2019
NAMESPACE: default
STATUS: deployed
REVISION: 1
TEST SUITE: None
NOTES:
Thanks for installing the sagemaker-k8s-trainingjob.
```
#### Verifikasi Bagan Helm pelatihan Anda
Untuk memverifikasi bahwa Bagan Helm berhasil dibuat, jalankan:
```
helm ls
```
Output Anda akan terlihat seperti berikut:
```
NAME NAMESPACE REVISION UPDATED STATUS CHART APP VERSION
chart-12345678 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-trainingjob-0.1.0
rolebased-12345678 default 1 2019-11-20 23:14:59.6777082 +0000 UTC deployed sagemaker-k8s-operator-0.1.0
```
`helm install`membuat sumber daya `TrainingJob` Kubernetes. Operator meluncurkan pekerjaan pelatihan aktual di SageMaker AI dan memperbarui sumber daya `TrainingJob` Kubernetes untuk mencerminkan status pekerjaan di AI. SageMaker Anda dikenakan biaya untuk sumber daya SageMaker AI yang digunakan selama durasi pekerjaan Anda. Anda tidak dikenakan biaya apa pun setelah pekerjaan Anda selesai atau berhenti.
**Catatan**: SageMaker AI tidak memungkinkan Anda memperbarui pekerjaan pelatihan yang sedang berjalan. Anda tidak dapat mengedit parameter apa pun dan menerapkan kembali file konfigurasi. Ubah nama metadata atau hapus pekerjaan yang ada dan buat yang baru. Mirip dengan operator pekerjaan pelatihan yang ada seperti TFJob di Kubeflow, tidak `update` didukung.
### Daftar TrainingJobs
Gunakan perintah berikut untuk membuat daftar semua pekerjaan yang dibuat menggunakan operator Kubernetes:
```
kubectl get TrainingJob
```
Daftar keluaran semua pekerjaan akan terlihat seperti berikut:
```
kubectl get trainingjobs
NAME STATUS SECONDARY-STATUS CREATION-TIME SAGEMAKER-JOB-NAME
xgboost-mnist-from-for-s3 InProgress Starting 2019-11-20T23:42:35Z xgboost-mnist-from-for-s3-examplef11eab94e0ed4671d5a8f
```
Pekerjaan pelatihan terus terdaftar setelah pekerjaan selesai atau gagal. Anda dapat menghapus `TrainingJob` pekerjaan dari daftar dengan mengikuti [Hapus TrainingJobs](#delete-training-jobs) langkah-langkahnya. Pekerjaan yang telah selesai atau dihentikan tidak dikenakan biaya apa pun untuk sumber daya SageMaker AI.
#### TrainingJob nilai status
`STATUS`Bidang dapat berupa salah satu nilai berikut:
+ `Completed`
+ `InProgress`
+ `Failed`
+ `Stopped`
+ `Stopping`
Status ini datang langsung dari [dokumentasi API](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DescribeTrainingJob.html#SageMaker-DescribeTrainingJob-response-TrainingJobStatus) resmi SageMaker AI.
Selain status SageMaker AI resmi, dimungkinkan `STATUS` untuk menjadi`SynchronizingK8sJobWithSageMaker`. Ini berarti bahwa operator belum memproses pekerjaan.
#### Nilai status sekunder
Status sekunder datang langsung dari [dokumentasi API](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DescribeTrainingJob.html#SageMaker-DescribeTrainingJob-response-SecondaryStatus) resmi SageMaker AI. Mereka berisi informasi yang lebih terperinci tentang status pekerjaan.
### Jelaskan TrainingJob
Anda bisa mendapatkan detail lebih lanjut tentang pekerjaan pelatihan dengan menggunakan `describe` `kubectl` perintah. Ini biasanya digunakan untuk men-debug masalah atau memeriksa parameter pekerjaan pelatihan. Untuk mendapatkan informasi tentang pekerjaan pelatihan Anda, gunakan perintah berikut:
```
kubectl describe trainingjob xgboost-mnist-from-for-s3
```
Output untuk pekerjaan pelatihan Anda akan terlihat seperti berikut:
```
Name: xgboost-mnist-from-for-s3
Namespace: default
Labels:
Annotations:
API Version: sagemaker.aws.amazon.com/v1
Kind: TrainingJob
Metadata:
Creation Timestamp: 2019-11-20T23:42:35Z
Finalizers:
sagemaker-operator-finalizer
Generation: 2
Resource Version: 23119
Self Link: /apis/sagemaker.aws.amazon.com/v1/namespaces/default/trainingjobs/xgboost-mnist-from-for-s3
UID: 6d7uiui-0bef-11ea-b94e-0ed467example
Spec:
Algorithm Specification:
Training Image: 8256416981234.dkr.ecr.us-east-2.amazonaws.com/xgboost:1
Training Input Mode: File
Hyper Parameters:
Name: eta
Value: 0.2
Name: gamma
Value: 4
Name: max_depth
Value: 5
Name: min_child_weight
Value: 6
Name: num_class
Value: 10
Name: num_round
Value: 10
Name: objective
Value: multi:softmax
Name: silent
Value: 0
Input Data Config:
Channel Name: train
Compression Type: None
Content Type: text/csv
Data Source:
S 3 Data Source:
S 3 Data Distribution Type: FullyReplicated
S 3 Data Type: S3Prefix
S 3 Uri: https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/train/
Channel Name: validation
Compression Type: None
Content Type: text/csv
Data Source:
S 3 Data Source:
S 3 Data Distribution Type: FullyReplicated
S 3 Data Type: S3Prefix
S 3 Uri: https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/validation/
Output Data Config:
S 3 Output Path: s3://amzn-s3-demo-bucket/sagemaker/xgboost-mnist/xgboost/
Region: us-east-2
Resource Config:
Instance Count: 1
Instance Type: ml.m4.xlarge
Volume Size In GB: 5
Role Arn: arn:aws:iam::12345678910:role/service-role/AmazonSageMaker-ExecutionRole
Stopping Condition:
Max Runtime In Seconds: 86400
Training Job Name: xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0example
Status:
Cloud Watch Log URL: https://us-east-2.console.aws.amazon.com/cloudwatch/home?region=us-east-2#logStream:group=/aws/sagemaker/TrainingJobs;prefix=;streamFilter=typeLogStreamPrefix
Last Check Time: 2019-11-20T23:44:29Z
Sage Maker Training Job Name: xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94eexample
Secondary Status: Downloading
Training Job Status: InProgress
Events:
```
### Lihat log dari TrainingJobs
Gunakan perintah berikut untuk melihat log dari pekerjaan `kmeans-mnist` pelatihan:
```
kubectl smlogs trainingjob xgboost-mnist-from-for-s3
```
Output-nya semestinya mirip dengan yang berikut. Log dari instance diurutkan secara kronologis.
```
"xgboost-mnist-from-for-s3" has SageMaker TrainingJobName "xgboost-mnist-from-for-s3-123456789" in region "us-east-2", status "InProgress" and secondary status "Starting"
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC Arguments: train
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [2019-11-20:23:45:22:INFO] Running standalone xgboost training.
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [2019-11-20:23:45:22:INFO] File size need to be processed in the node: 1122.95mb. Available memory size in the node: 8586.0mb
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [2019-11-20:23:45:22:INFO] Determined delimiter of CSV input is ','
xgboost-mnist-from-for-s3-6d7fa0af0bef11eab94e0ed46example/algo-1-1574293123 2019-11-20 23:45:24.7 +0000 UTC [23:45:22] S3DistributionType set as FullyReplicated
```
### Hapus TrainingJobs
Gunakan perintah berikut untuk menghentikan pekerjaan pelatihan di Amazon SageMaker AI:
```
kubectl delete trainingjob xgboost-mnist-from-for-s3
```
Perintah ini menghapus tugas SageMaker pelatihan dari Kubernetes. Perintah ini mengembalikan output sebagai berikut:
```
trainingjob.sagemaker.aws.amazon.com "xgboost-mnist-from-for-s3" deleted
```
Jika pekerjaan masih berlangsung di SageMaker AI, pekerjaan berhenti. Anda tidak dikenakan biaya apa pun untuk sumber daya SageMaker AI setelah pekerjaan Anda berhenti atau selesai.
**Catatan**: SageMaker AI tidak menghapus pekerjaan pelatihan. Pekerjaan yang dihentikan terus ditampilkan di konsol SageMaker AI. `delete`Perintah membutuhkan waktu sekitar 2 menit untuk membersihkan sumber daya dari SageMaker AI.
## HyperParameterTuningJob Operator
Operator pekerjaan tuning hyperparameter merekonsiliasi spesifikasi pekerjaan tuning hyperparameter yang Anda tentukan ke SageMaker AI dengan meluncurkannya di AI. SageMaker Anda dapat mempelajari lebih lanjut tentang pekerjaan tuning hyperparameter SageMaker AI di dokumentasi SageMaker AI [CreateHyperParameterTuningJob API](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateHyperParameterTuningJob.html).
**Topics**
+ [Membuat file HyperparameterTuningJob menggunakan YAMG](#create-a-hyperparametertuningjob-using-a-simple-yaml-file)
+ [Buat HyperparameterTuningJob menggunakan Bagan Helm](#create-a-hyperparametertuningjob-using-a-helm-chart)
+ [Daftar HyperparameterTuningJobs](#list-hyperparameter-tuning-jobs)
+ [Jelaskan HyperparameterTuningJob](#describe-a-hyperparameter-tuning-job)
+ [Lihat log dari HyperparameterTuningJobs](#view-logs-from-hyperparametertuning-jobs)
+ [Menghapus HyperparameterTuningJob](#delete-hyperparametertuning-jobs)
### Membuat file HyperparameterTuningJob menggunakan YAMG
1. Unduh file YAMAL sampel untuk pekerjaan penyetelan hyperparameter menggunakan perintah berikut:
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/xgboost-mnist-hpo.yaml
```
1. Edit `xgboost-mnist-hpo.yaml` file untuk mengganti `roleArn` parameter dengan file Anda`sagemaker-execution-role`. Agar pekerjaan tuning hyperparameter berhasil, Anda juga harus mengubah `s3InputPath` dan `s3OutputPath` ke nilai yang sesuai dengan akun Anda. Terapkan pembaruan file YAMAL menggunakan perintah berikut:
```
kubectl apply -f xgboost-mnist-hpo.yaml
```
### Buat HyperparameterTuningJob menggunakan Bagan Helm
Anda dapat menggunakan Helm Charts untuk menjalankan pekerjaan tuning hyperparameter.
1. Kloning GitHub repositori untuk mendapatkan sumber menggunakan perintah berikut:
```
git clone https://github.com/aws/amazon-sagemaker-operator-for-k8s.git
```
1. Arahkan ke `amazon-sagemaker-operator-for-k8s/hack/charts/hyperparameter-tuning-jobs/` folder.
1. Edit `values.yaml` file untuk mengganti `roleArn` parameter dengan file Anda`sagemaker-execution-role`. Agar pekerjaan tuning hyperparameter berhasil, Anda juga harus mengubah `s3InputPath` dan `s3OutputPath` ke nilai yang sesuai dengan akun Anda.
#### Buat HyperparameterTuningJob
Dengan peran dan jalur Amazon S3 diganti dengan nilai yang sesuai di`values.yaml`, Anda dapat membuat tugas penyetelan hyperparameter menggunakan perintah berikut:
```
helm install . --generate-name
```
Output-nya semestinya mirip dengan yang berikut:
```
NAME: chart-1574292948
LAST DEPLOYED: Wed Nov 20 23:35:49 2019
NAMESPACE: default
STATUS: deployed
REVISION: 1
TEST SUITE: None
NOTES:
Thanks for installing the sagemaker-k8s-hyperparametertuningjob.
```
#### Verifikasi instalasi bagan
Untuk memverifikasi bahwa Bagan Helm berhasil dibuat, jalankan perintah berikut:
```
helm ls
```
Output Anda akan terlihat seperti berikut:
```
NAME NAMESPACE REVISION UPDATED
chart-1474292948 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-hyperparametertuningjob-0.1.0 STATUS CHART APP VERSION
chart-1574292948 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-trainingjob-0.1.0
rolebased-1574291698 default 1 2019-11-20 23:14:59.6777082 +0000 UTC deployed sagemaker-k8s-operator-0.1.0
```
`helm install`membuat sumber daya `HyperParameterTuningJob` Kubernetes. Operator meluncurkan pekerjaan optimasi hyperparameter aktual di SageMaker AI dan memperbarui sumber daya `HyperParameterTuningJob` Kubernetes untuk mencerminkan status pekerjaan di AI. SageMaker Anda dikenakan biaya untuk sumber daya SageMaker AI yang digunakan selama durasi pekerjaan Anda. Anda tidak dikenakan biaya apa pun setelah pekerjaan Anda selesai atau berhenti.
**Catatan**: SageMaker AI tidak mengizinkan Anda memperbarui pekerjaan penyetelan hyperparameter yang sedang berjalan. Anda tidak dapat mengedit parameter apa pun dan menerapkan kembali file konfigurasi. Anda harus mengubah nama metadata atau menghapus pekerjaan yang ada dan membuat yang baru. Mirip dengan operator pekerjaan pelatihan yang ada seperti `TFJob` di Kubeflow, tidak `update` didukung.
### Daftar HyperparameterTuningJobs
Gunakan perintah berikut untuk membuat daftar semua pekerjaan yang dibuat menggunakan operator Kubernetes:
```
kubectl get hyperparametertuningjob
```
Output Anda akan terlihat seperti berikut:
```
NAME STATUS CREATION-TIME COMPLETED INPROGRESS ERRORS STOPPED BEST-TRAINING-JOB SAGEMAKER-JOB-NAME
xgboost-mnist-hpo Completed 2019-10-17T01:15:52Z 10 0 0 0 xgboostha92f5e3cf07b11e9bf6c06d6-009-4c7a123 xgboostha92f5e3cf07b11e9bf6c123
```
Pekerjaan tuning hyperparameter terus terdaftar setelah pekerjaan selesai atau gagal. Anda dapat menghapus a `hyperparametertuningjob` dari daftar dengan mengikuti langkah-langkah di[Menghapus HyperparameterTuningJob](#delete-hyperparametertuning-jobs). Pekerjaan yang telah selesai atau dihentikan tidak dikenakan biaya apa pun untuk sumber daya SageMaker AI.
#### Nilai status pekerjaan tuning hyperparameter
`STATUS`Bidang dapat berupa salah satu nilai berikut:
+ `Completed`
+ `InProgress`
+ `Failed`
+ `Stopped`
+ `Stopping`
Status ini datang langsung dari [dokumentasi API](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DescribeHyperParameterTuningJob.html#SageMaker-DescribeHyperParameterTuningJob-response-HyperParameterTuningJobStatus) resmi SageMaker AI.
Selain status SageMaker AI resmi, dimungkinkan `STATUS` untuk menjadi`SynchronizingK8sJobWithSageMaker`. Ini berarti bahwa operator belum memproses pekerjaan.
#### Penghitung status
Outputnya memiliki beberapa penghitung, seperti `COMPLETED` dan`INPROGRESS`. Ini mewakili berapa banyak pekerjaan pelatihan yang telah diselesaikan dan sedang berlangsung, masing-masing. Untuk informasi selengkapnya tentang cara penentuannya, lihat [TrainingJobStatusCounters](https://docs.aws.amazon.com/sagemaker/latest/dg/API_TrainingJobStatusCounters.html)di dokumentasi SageMaker API.
#### Terbaik TrainingJob
Kolom ini berisi nama `TrainingJob` yang paling dioptimalkan metrik yang dipilih.
Untuk melihat ringkasan hyperparameters yang disetel, jalankan:
```
kubectl describe hyperparametertuningjob xgboost-mnist-hpo
```
Untuk melihat informasi rinci tentang`TrainingJob`, jalankan:
```
kubectl describe trainingjobs
```
#### Melahirkan TrainingJobs
Anda juga dapat melacak semua 10 pekerjaan pelatihan di Kubernetes yang diluncurkan `HyperparameterTuningJob` dengan menjalankan perintah berikut:
```
kubectl get trainingjobs
```
### Jelaskan HyperparameterTuningJob
Anda dapat memperoleh detail debugging menggunakan `describe` `kubectl` perintah.
```
kubectl describe hyperparametertuningjob xgboost-mnist-hpo
```
Selain informasi tentang pekerjaan tuning, Operator SageMaker AI untuk Kubernetes juga memaparkan [pekerjaan pelatihan terbaik yang ditemukan oleh pekerjaan](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning-monitor.html#automatic-model-tuning-best-training-job) tuning hyperparameter dalam output sebagai berikut: `describe`
```
Name: xgboost-mnist-hpo
Namespace: default
Labels:
Annotations: kubectl.kubernetes.io/last-applied-configuration:
{"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"HyperparameterTuningJob","metadata":{"annotations":{},"name":"xgboost-mnist-hpo","namespace":...
API Version: sagemaker.aws.amazon.com/v1
Kind: HyperparameterTuningJob
Metadata:
Creation Timestamp: 2019-10-17T01:15:52Z
Finalizers:
sagemaker-operator-finalizer
Generation: 2
Resource Version: 8167
Self Link: /apis/sagemaker.aws.amazon.com/v1/namespaces/default/hyperparametertuningjobs/xgboost-mnist-hpo
UID: a92f5e3c-f07b-11e9-bf6c-06d6f303uidu
Spec:
Hyper Parameter Tuning Job Config:
Hyper Parameter Tuning Job Objective:
Metric Name: validation:error
Type: Minimize
Parameter Ranges:
Integer Parameter Ranges:
Max Value: 20
Min Value: 10
Name: num_round
Scaling Type: Linear
Resource Limits:
Max Number Of Training Jobs: 10
Max Parallel Training Jobs: 10
Strategy: Bayesian
Training Job Early Stopping Type: Off
Hyper Parameter Tuning Job Name: xgboostha92f5e3cf07b11e9bf6c06d6
Region: us-east-2
Training Job Definition:
Algorithm Specification:
Training Image: 12345678910.dkr.ecr.us-east-2.amazonaws.com/xgboost:1
Training Input Mode: File
Input Data Config:
Channel Name: train
Content Type: text/csv
Data Source:
s3DataSource:
s3DataDistributionType: FullyReplicated
s3DataType: S3Prefix
s3Uri: https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/train/
Channel Name: validation
Content Type: text/csv
Data Source:
s3DataSource:
s3DataDistributionType: FullyReplicated
s3DataType: S3Prefix
s3Uri: https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/validation/
Output Data Config:
s3OutputPath: https://s3-us-east-2.amazonaws.com/amzn-s3-demo-bucket/sagemaker/xgboost-mnist/xgboost
Resource Config:
Instance Count: 1
Instance Type: ml.m4.xlarge
Volume Size In GB: 5
Role Arn: arn:aws:iam::123456789012:role/service-role/AmazonSageMaker-ExecutionRole
Static Hyper Parameters:
Name: base_score
Value: 0.5
Name: booster
Value: gbtree
Name: csv_weights
Value: 0
Name: dsplit
Value: row
Name: grow_policy
Value: depthwise
Name: lambda_bias
Value: 0.0
Name: max_bin
Value: 256
Name: max_leaves
Value: 0
Name: normalize_type
Value: tree
Name: objective
Value: reg:linear
Name: one_drop
Value: 0
Name: prob_buffer_row
Value: 1.0
Name: process_type
Value: default
Name: rate_drop
Value: 0.0
Name: refresh_leaf
Value: 1
Name: sample_type
Value: uniform
Name: scale_pos_weight
Value: 1.0
Name: silent
Value: 0
Name: sketch_eps
Value: 0.03
Name: skip_drop
Value: 0.0
Name: tree_method
Value: auto
Name: tweedie_variance_power
Value: 1.5
Stopping Condition:
Max Runtime In Seconds: 86400
Status:
Best Training Job:
Creation Time: 2019-10-17T01:16:14Z
Final Hyper Parameter Tuning Job Objective Metric:
Metric Name: validation:error
Value:
Objective Status: Succeeded
Training End Time: 2019-10-17T01:20:24Z
Training Job Arn: arn:aws:sagemaker:us-east-2:123456789012:training-job/xgboostha92f5e3cf07b11e9bf6c06d6-009-4sample
Training Job Name: xgboostha92f5e3cf07b11e9bf6c06d6-009-4c7a3059
Training Job Status: Completed
Training Start Time: 2019-10-17T01:18:35Z
Tuned Hyper Parameters:
Name: num_round
Value: 18
Hyper Parameter Tuning Job Status: Completed
Last Check Time: 2019-10-17T01:21:01Z
Sage Maker Hyper Parameter Tuning Job Name: xgboostha92f5e3cf07b11e9bf6c06d6
Training Job Status Counters:
Completed: 10
In Progress: 0
Non Retryable Error: 0
Retryable Error: 0
Stopped: 0
Total Error: 0
Events:
```
### Lihat log dari HyperparameterTuningJobs
Pekerjaan tuning hyperparameter tidak memiliki log, tetapi semua pekerjaan pelatihan yang diluncurkan oleh mereka memang memiliki log. Log ini dapat diakses seolah-olah itu adalah pekerjaan pelatihan normal. Untuk informasi selengkapnya, lihat [Lihat log dari TrainingJobs](#view-logs-from-training-jobs).
### Menghapus HyperparameterTuningJob
Gunakan perintah berikut untuk menghentikan pekerjaan hyperparameter di SageMaker AI.
```
kubectl delete hyperparametertuningjob xgboost-mnist-hpo
```
Perintah ini menghapus tugas tuning hyperparameter dan pekerjaan pelatihan terkait dari cluster Kubernetes Anda dan menghentikannya di AI. SageMaker Pekerjaan yang telah berhenti atau selesai tidak dikenakan biaya apa pun untuk sumber daya SageMaker AI. SageMaker AI tidak menghapus pekerjaan penyetelan hyperparameter. Pekerjaan yang dihentikan terus ditampilkan di konsol SageMaker AI.
Output Anda akan terlihat seperti berikut:
```
hyperparametertuningjob.sagemaker.aws.amazon.com "xgboost-mnist-hpo" deleted
```
**Catatan**: Perintah delete membutuhkan waktu sekitar 2 menit untuk membersihkan sumber daya dari SageMaker AI.
## BatchTransformJob Operator
Operator pekerjaan transformasi Batch merekonsiliasi spesifikasi pekerjaan transformasi batch yang Anda tentukan ke SageMaker AI dengan meluncurkannya di AI. SageMaker Anda dapat mempelajari lebih lanjut tentang pekerjaan transformasi batch SageMaker AI di [dokumentasi SageMaker AI CreateTransformJob API](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateTransformJob.html).
**Topics**
+ [Membuat BatchTransformJob menggunakan File YAMM](#create-a-batchtransformjob-using-a-simple-yaml-file)
+ [Buat BatchTransformJob menggunakan Bagan Helm](#create-a-batchtransformjob-using-a-helm-chart)
+ [Daftar BatchTransformJobs](#list-batch-transform-jobs)
+ [Jelaskan BatchTransformJob](#describe-a-batch-transform-job)
+ [Lihat log dari BatchTransformJobs](#view-logs-from-batch-transform-jobs)
+ [Menghapus BatchTransformJob](#delete-a-batch-transform-job)
### Membuat BatchTransformJob menggunakan File YAMM
1. Unduh contoh file YAMM untuk pekerjaan transformasi batch menggunakan perintah berikut:
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/xgboost-mnist-batchtransform.yaml
```
1. Edit file `xgboost-mnist-batchtransform.yaml` untuk mengubah parameter yang diperlukan untuk mengganti `inputdataconfig` dengan data input Anda dan `s3OutputPath` dengan bucket Amazon S3 Anda yang memiliki akses tulis peran eksekusi SageMaker AI.
1. Terapkan file YAMAL menggunakan perintah berikut:
```
kubectl apply -f xgboost-mnist-batchtransform.yaml
```
### Buat BatchTransformJob menggunakan Bagan Helm
Anda dapat menggunakan Helm Charts untuk menjalankan pekerjaan transformasi batch.
#### Dapatkan direktori installer Helm
Kloning GitHub repositori untuk mendapatkan sumber menggunakan perintah berikut:
```
git clone https://github.com/aws/amazon-sagemaker-operator-for-k8s.git
```
#### Konfigurasikan Bagan Helm
Arahkan ke `amazon-sagemaker-operator-for-k8s/hack/charts/batch-transform-jobs/` folder.
Edit `values.yaml` file untuk mengganti `inputdataconfig` dengan data input dan outputPath Anda dengan bucket S3 Anda yang peran eksekusi SageMaker AI memiliki akses tulis.
#### Buat BatchTransformJob
1. Gunakan perintah berikut untuk membuat pekerjaan transformasi batch:
```
helm install . --generate-name
```
Output Anda akan terlihat seperti berikut:
```
NAME: chart-1574292948
LAST DEPLOYED: Wed Nov 20 23:35:49 2019
NAMESPACE: default
STATUS: deployed
REVISION: 1
TEST SUITE: None
NOTES:
Thanks for installing the sagemaker-k8s-batch-transform-job.
```
1. Untuk memverifikasi bahwa Bagan Helm berhasil dibuat, jalankan perintah berikut:
```
helm ls
NAME NAMESPACE REVISION UPDATED STATUS CHART APP VERSION
chart-1474292948 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-batchtransformjob-0.1.0
chart-1474292948 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-hyperparametertuningjob-0.1.0
chart-1574292948 default 1 2019-11-20 23:35:49.9136092 +0000 UTC deployed sagemaker-k8s-trainingjob-0.1.0
rolebased-1574291698 default 1 2019-11-20 23:14:59.6777082 +0000 UTC deployed sagemaker-k8s-operator-0.1.0
```
Perintah ini membuat sumber daya `BatchTransformJob` Kubernetes. Operator meluncurkan pekerjaan transformasi aktual di SageMaker AI dan memperbarui sumber daya `BatchTransformJob` Kubernetes untuk mencerminkan status pekerjaan di AI. SageMaker Anda dikenakan biaya untuk sumber daya SageMaker AI yang digunakan selama durasi pekerjaan Anda. Anda tidak dikenakan biaya apa pun setelah pekerjaan Anda selesai atau berhenti.
**Catatan**: SageMaker AI tidak mengizinkan Anda memperbarui pekerjaan transformasi batch yang sedang berjalan. Anda tidak dapat mengedit parameter apa pun dan menerapkan kembali file konfigurasi. Anda harus mengubah nama metadata atau menghapus pekerjaan yang ada dan membuat yang baru. Mirip dengan operator pekerjaan pelatihan yang ada seperti `TFJob` di Kubeflow, tidak `update` didukung.
### Daftar BatchTransformJobs
Gunakan perintah berikut untuk membuat daftar semua pekerjaan yang dibuat menggunakan operator Kubernetes:
```
kubectl get batchtransformjob
```
Output Anda akan terlihat seperti berikut:
```
NAME STATUS CREATION-TIME SAGEMAKER-JOB-NAME
xgboost-mnist-batch-transform Completed 2019-11-18T03:44:00Z xgboost-mnist-a88fb19809b511eaac440aa8axgboost
```
Pekerjaan transformasi batch terus terdaftar setelah pekerjaan selesai atau gagal. Anda dapat menghapus a `hyperparametertuningjob` dari daftar dengan mengikuti [Menghapus BatchTransformJob](#delete-a-batch-transform-job) langkah-langkahnya. Pekerjaan yang telah selesai atau dihentikan tidak dikenakan biaya apa pun untuk sumber daya SageMaker AI.
#### Nilai status transformasi Batch
`STATUS`Bidang dapat berupa salah satu nilai berikut:
+ `Completed`
+ `InProgress`
+ `Failed`
+ `Stopped`
+ `Stopping`
Status ini datang langsung dari [dokumentasi API](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DescribeHyperParameterTuningJob.html#SageMaker-DescribeHyperParameterTuningJob-response-HyperParameterTuningJobStatus) resmi SageMaker AI.
Selain status SageMaker AI resmi, dimungkinkan `STATUS` untuk menjadi`SynchronizingK8sJobWithSageMaker`. Ini berarti bahwa operator belum memproses pekerjaan.
### Jelaskan BatchTransformJob
Anda dapat memperoleh detail debugging menggunakan `describe` `kubectl` perintah.
```
kubectl describe batchtransformjob xgboost-mnist-batch-transform
```
Output Anda akan terlihat seperti berikut:
```
Name: xgboost-mnist-batch-transform
Namespace: default
Labels:
Annotations: kubectl.kubernetes.io/last-applied-configuration:
{"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"BatchTransformJob","metadata":{"annotations":{},"name":"xgboost-mnist","namespace"...
API Version: sagemaker.aws.amazon.com/v1
Kind: BatchTransformJob
Metadata:
Creation Timestamp: 2019-11-18T03:44:00Z
Finalizers:
sagemaker-operator-finalizer
Generation: 2
Resource Version: 21990924
Self Link: /apis/sagemaker.aws.amazon.com/v1/namespaces/default/batchtransformjobs/xgboost-mnist
UID: a88fb198-09b5-11ea-ac44-0aa8a9UIDNUM
Spec:
Model Name: TrainingJob-20190814SMJOb-IKEB
Region: us-east-1
Transform Input:
Content Type: text/csv
Data Source:
S 3 Data Source:
S 3 Data Type: S3Prefix
S 3 Uri: s3://amzn-s3-demo-bucket/mnist_kmeans_example/input
Transform Job Name: xgboost-mnist-a88fb19809b511eaac440aa8a9SMJOB
Transform Output:
S 3 Output Path: s3://amzn-s3-demo-bucket/mnist_kmeans_example/output
Transform Resources:
Instance Count: 1
Instance Type: ml.m4.xlarge
Status:
Last Check Time: 2019-11-19T22:50:40Z
Sage Maker Transform Job Name: xgboost-mnist-a88fb19809b511eaac440aaSMJOB
Transform Job Status: Completed
Events:
```
### Lihat log dari BatchTransformJobs
Gunakan perintah berikut untuk melihat log dari pekerjaan transformasi `xgboost-mnist` batch:
```
kubectl smlogs batchtransformjob xgboost-mnist-batch-transform
```
### Menghapus BatchTransformJob
Gunakan perintah berikut untuk menghentikan pekerjaan transformasi batch di SageMaker AI.
```
kubectl delete batchTransformJob xgboost-mnist-batch-transform
```
Output Anda akan terlihat seperti berikut:
```
batchtransformjob.sagemaker.aws.amazon.com "xgboost-mnist" deleted
```
Perintah ini menghapus tugas transformasi batch dari cluster Kubernetes Anda, serta menghentikannya di AI. SageMaker Pekerjaan yang telah berhenti atau selesai tidak dikenakan biaya apa pun untuk sumber daya SageMaker AI. Hapus membutuhkan waktu sekitar 2 menit untuk membersihkan sumber daya dari SageMaker AI.
**Catatan**: SageMaker AI tidak menghapus pekerjaan transformasi batch. Pekerjaan yang dihentikan terus ditampilkan di konsol SageMaker AI.
## HostingDeployment Operator
HostingDeployment operator mendukung pembuatan dan penghapusan titik akhir, serta memperbarui titik akhir yang ada, untuk inferensi waktu nyata. Operator penerapan hosting merekonsiliasi spesifikasi pekerjaan penerapan hosting yang Anda tentukan ke SageMaker AI dengan membuat model, konfigurasi titik akhir, dan titik akhir di AI. SageMaker Anda dapat mempelajari lebih lanjut tentang inferensi SageMaker AI dalam [dokumentasi SageMaker AI CreateEndpoint API](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateEndpoint.html).
**Topics**
+ [Konfigurasikan HostingDeployment sumber daya](#configure-a-hostingdeployment-resource)
+ [Buat HostingDeployment](#create-a-hostingdeployment)
+ [Daftar HostingDeployments](#list-hostingdeployments)
+ [Jelaskan HostingDeployment](#describe-a-hostingdeployment)
+ [Memanggil titik akhir](#invoking-the-endpoint)
+ [Perbarui HostingDeployment](#update-hostingdeployment)
+ [Hapus HostingDeployment](#delete-the-hostingdeployment)
### Konfigurasikan HostingDeployment sumber daya
Unduh file YAMM sampel untuk pekerjaan penyebaran hosting menggunakan perintah berikut:
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/xgboost-mnist-hostingdeployment.yaml
```
`xgboost-mnist-hostingdeployment.yaml`File memiliki komponen berikut yang dapat diedit sesuai kebutuhan:
+ *ProductionVariants*. Varian produksi adalah serangkaian contoh yang melayani satu model. SageMaker AI load-balance antara semua varian produksi sesuai dengan bobot yang ditetapkan.
+ *Model*. Model adalah wadah dan peran eksekusi ARN yang diperlukan untuk melayani model. Ini membutuhkan setidaknya satu wadah.
+ *Wadah*. Sebuah wadah menentukan dataset dan melayani gambar. Jika Anda menggunakan algoritme kustom Anda sendiri alih-alih algoritme yang disediakan oleh SageMaker AI, kode inferensi harus memenuhi persyaratan SageMaker AI. Untuk informasi selengkapnya, lihat [Menggunakan Algoritma Anda Sendiri dengan SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms.html).
### Buat HostingDeployment
Untuk membuat HostingDeployment, gunakan `kubectl` untuk menerapkan file `hosting.yaml` dengan perintah berikut:
```
kubectl apply -f hosting.yaml
```
SageMaker AI membuat titik akhir dengan konfigurasi yang ditentukan. Anda dikenakan biaya untuk sumber daya SageMaker AI yang digunakan selama masa hidup titik akhir Anda. Anda tidak dikenakan biaya apa pun setelah titik akhir Anda dihapus.
Proses pembuatan memakan waktu sekitar 10 menit.
### Daftar HostingDeployments
Untuk memverifikasi bahwa HostingDeployment telah dibuat, gunakan perintah berikut:
```
kubectl get hostingdeployments
```
Output Anda akan terlihat seperti berikut:
```
NAME STATUS SAGEMAKER-ENDPOINT-NAME
host-xgboost Creating host-xgboost-def0e83e0d5f11eaaa450aSMLOGS
```
#### HostingDeployment nilai status
Bidang status dapat berupa salah satu dari beberapa nilai:
+ `SynchronizingK8sJobWithSageMaker`: Operator sedang mempersiapkan untuk membuat titik akhir.
+ `ReconcilingEndpoint`: Operator membuat, memperbarui, atau menghapus sumber daya titik akhir. Jika HostingDeployment sisa-sisa dalam keadaan ini, gunakan `kubectl describe` untuk melihat alasannya di `Additional` lapangan.
+ `OutOfService`: Titik akhir tidak tersedia untuk menerima permintaan yang masuk.
+ `Creating`: [CreateEndpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateEndpoint.html)sedang berjalan.
+ `Updating`: [UpdateEndpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/API_UpdateEndpoint.html)atau [UpdateEndpointWeightsAndCapacities](https://docs.aws.amazon.com/sagemaker/latest/dg/API_UpdateEndpointWeightsAndCapacities.html)sedang berjalan.
+ `SystemUpdating`: Titik akhir sedang menjalani pemeliharaan dan tidak dapat diperbarui atau dihapus atau diskalakan ulang sampai selesai. Operasi pemeliharaan ini tidak mengubah nilai yang ditentukan pelanggan seperti konfigurasi VPC, AWS KMS enkripsi, model, jenis instans, atau jumlah instance.
+ `RollingBack`: Titik akhir gagal menaikkan atau menurunkan atau mengubah bobot variannya dan sedang dalam proses memutar kembali ke konfigurasi sebelumnya. Setelah rollback selesai, titik akhir kembali ke status. `InService` Status transisi ini hanya berlaku untuk titik akhir yang mengaktifkan penskalaan otomatis dan mengalami perubahan bobot atau kapasitas varian sebagai bagian dari [UpdateEndpointWeightsAndCapacities](https://docs.aws.amazon.com/sagemaker/latest/dg/API_UpdateEndpointWeightsAndCapacities.html)panggilan atau ketika operasi dipanggil secara eksplisit. [UpdateEndpointWeightsAndCapacities](https://docs.aws.amazon.com/sagemaker/latest/dg/API_UpdateEndpointWeightsAndCapacities.html)
+ `InService`: Titik akhir tersedia untuk memproses permintaan yang masuk.
+ `Deleting`: [DeleteEndpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DeleteEndpoint.html)sedang berjalan.
+ `Failed`: Titik akhir tidak dapat dibuat, diperbarui, atau diskalakan ulang. Gunakan [DescribeEndpoint: FailureReason](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DescribeEndpoint.html#SageMaker-DescribeEndpoint-response-FailureReason) untuk informasi tentang kegagalan. [DeleteEndpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/API_DeleteEndpoint.html)adalah satu-satunya operasi yang dapat dilakukan pada titik akhir yang gagal.
### Jelaskan HostingDeployment
Anda dapat memperoleh detail debugging menggunakan `describe` `kubectl` perintah.
```
kubectl describe hostingdeployment
```
Output Anda akan terlihat seperti berikut:
```
Name: host-xgboost
Namespace: default
Labels:
Annotations: kubectl.kubernetes.io/last-applied-configuration:
{"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"HostingDeployment","metadata":{"annotations":{},"name":"host-xgboost","namespace":"def..."
API Version: sagemaker.aws.amazon.com/v1
Kind: HostingDeployment
Metadata:
Creation Timestamp: 2019-11-22T19:40:00Z
Finalizers:
sagemaker-operator-finalizer
Generation: 1
Resource Version: 4258134
Self Link: /apis/sagemaker.aws.amazon.com/v1/namespaces/default/hostingdeployments/host-xgboost
UID: def0e83e-0d5f-11ea-aa45-0a3507uiduid
Spec:
Containers:
Container Hostname: xgboost
Image: 123456789012.dkr.ecr.us-east-2.amazonaws.com/xgboost:latest
Model Data URL: s3://amzn-s3-demo-bucket/inference/xgboost-mnist/model.tar.gz
Models:
Containers:
xgboost
Execution Role Arn: arn:aws:iam::123456789012:role/service-role/AmazonSageMaker-ExecutionRole
Name: xgboost-model
Primary Container: xgboost
Production Variants:
Initial Instance Count: 1
Instance Type: ml.c5.large
Model Name: xgboost-model
Variant Name: all-traffic
Region: us-east-2
Status:
Creation Time: 2019-11-22T19:40:04Z
Endpoint Arn: arn:aws:sagemaker:us-east-2:123456789012:endpoint/host-xgboost-def0e83e0d5f11eaaaexample
Endpoint Config Name: host-xgboost-1-def0e83e0d5f11e-e08f6c510d5f11eaaa450aexample
Endpoint Name: host-xgboost-def0e83e0d5f11eaaa450a350733ba06
Endpoint Status: Creating
Endpoint URL: https://runtime.sagemaker.us-east-2.amazonaws.com/endpoints/host-xgboost-def0e83e0d5f11eaaaexample/invocations
Last Check Time: 2019-11-22T19:43:57Z
Last Modified Time: 2019-11-22T19:40:04Z
Model Names:
Name: xgboost-model
Value: xgboost-model-1-def0e83e0d5f11-df5cc9fd0d5f11eaaa450aexample
Events:
```
Bidang status memberikan informasi lebih lanjut menggunakan bidang berikut:
+ `Additional`: Informasi tambahan tentang status penyebaran hosting. Bidang ini opsional dan hanya diisi jika terjadi kesalahan.
+ `Creation Time`: Saat titik akhir dibuat di SageMaker AI.
+ `Endpoint ARN`: Titik akhir SageMaker AI ARN.
+ `Endpoint Config Name`: Nama SageMaker AI dari konfigurasi titik akhir.
+ `Endpoint Name`: Nama SageMaker AI dari titik akhir.
+ `Endpoint Status`: Status titik akhir.
+ `Endpoint URL`URL HTTPS yang dapat digunakan untuk mengakses endpoint. Untuk informasi selengkapnya, lihat [Menerapkan Model pada Layanan Hosting SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html).
+ `FailureReason`: Jika perintah buat, perbarui, atau hapus gagal, penyebabnya ditampilkan di sini.
+ `Last Check Time`: Terakhir kali operator memeriksa status titik akhir.
+ `Last Modified Time`: Terakhir kali endpoint diubah.
+ `Model Names`: Sepasang nama model nilai kunci untuk nama HostingDeployment model SageMaker AI.
### Memanggil titik akhir
Setelah status endpoint`InService`, Anda dapat memanggil endpoint dengan dua cara: menggunakan AWS CLI, yang melakukan otentikasi dan penandatanganan permintaan URL, atau menggunakan klien HTTP seperti cURL. Jika Anda menggunakan klien Anda sendiri, Anda perlu melakukan penandatanganan dan otentikasi URL AWS v4 sendiri.
Untuk memanggil endpoint menggunakan AWS CLI, jalankan perintah berikut. Pastikan untuk mengganti nama Region dan endpoint dengan nama titik akhir Region dan SageMaker AI endpoint Anda. Informasi ini dapat diperoleh dari output`kubectl describe`.
```
# Invoke the endpoint with mock input data.
aws sagemaker-runtime invoke-endpoint \
--region us-east-2 \
--endpoint-name \
--body $(seq 784 | xargs echo | sed 's/ /,/g') \
>(cat) \
--content-type text/csv > /dev/null
```
Misalnya, jika Region Anda `us-east-2` dan nama konfigurasi titik akhir Anda adalah`host-xgboost-f56b6b280d7511ea824b129926example`, maka perintah berikut akan memanggil titik akhir:
```
aws sagemaker-runtime invoke-endpoint \
--region us-east-2 \
--endpoint-name host-xgboost-f56b6b280d7511ea824b1299example \
--body $(seq 784 | xargs echo | sed 's/ /,/g') \
>(cat) \
--content-type text/csv > /dev/null
4.95847082138
```
Di sini, `4.95847082138` adalah prediksi dari model untuk data tiruan.
### Perbarui HostingDeployment
1. Setelah HostingDeployment memiliki status`InService`, itu dapat diperbarui. Mungkin butuh waktu sekitar 10 menit HostingDeployment untuk bisa beroperasi. Untuk memverifikasi bahwa statusnya`InService`, gunakan perintah berikut:
```
kubectl get hostingdeployments
```
1. HostingDeployment Dapat diperbarui sebelum statusnya`InService`. Operator menunggu hingga titik akhir SageMaker AI `InService` sebelum menerapkan pembaruan.
Untuk menerapkan pembaruan, ubah `hosting.yaml` file. Misalnya, ubah `initialInstanceCount` bidang dari 1 menjadi 2 sebagai berikut:
```
apiVersion: sagemaker.aws.amazon.com/v1
kind: HostingDeployment
metadata:
name: host-xgboost
spec:
region: us-east-2
productionVariants:
- variantName: all-traffic
modelName: xgboost-model
initialInstanceCount: 2
instanceType: ml.c5.large
models:
- name: xgboost-model
executionRoleArn: arn:aws:iam::123456789012:role/service-role/AmazonSageMaker-ExecutionRole
primaryContainer: xgboost
containers:
- xgboost
containers:
- containerHostname: xgboost
modelDataUrl: s3://amzn-s3-demo-bucket/inference/xgboost-mnist/model.tar.gz
image: 123456789012.dkr.ecr.us-east-2.amazonaws.com/xgboost:latest
```
1. Simpan file, lalu gunakan `kubectl` untuk menerapkan pembaruan Anda sebagai berikut. Anda akan melihat perubahan status dari `InService` ke`ReconcilingEndpoint`, kemudian`Updating`.
```
$ kubectl apply -f hosting.yaml
hostingdeployment.sagemaker.aws.amazon.com/host-xgboost configured
$ kubectl get hostingdeployments
NAME STATUS SAGEMAKER-ENDPOINT-NAME
host-xgboost ReconcilingEndpoint host-xgboost-def0e83e0d5f11eaaa450a350abcdef
$ kubectl get hostingdeployments
NAME STATUS SAGEMAKER-ENDPOINT-NAME
host-xgboost Updating host-xgboost-def0e83e0d5f11eaaa450a3507abcdef
```
SageMaker AI menyebarkan serangkaian instance baru dengan model Anda, mengalihkan lalu lintas untuk menggunakan instance baru, dan menguras instance lama. Begitu proses ini dimulai, statusnya menjadi`Updating`. Setelah pembaruan selesai, titik akhir Anda menjadi`InService`. Proses ini memakan waktu sekitar 10 menit.
### Hapus HostingDeployment
1. Gunakan `kubectl` untuk menghapus HostingDeployment dengan perintah berikut:
```
kubectl delete hostingdeployments host-xgboost
```
Output Anda akan terlihat seperti berikut:
```
hostingdeployment.sagemaker.aws.amazon.com "host-xgboost" deleted
```
1. Untuk memverifikasi bahwa penyebaran hosting telah dihapus, gunakan perintah berikut:
```
kubectl get hostingdeployments
No resources found.
```
Titik akhir yang telah dihapus tidak dikenakan biaya apa pun untuk sumber daya SageMaker AI.
## ProcessingJob Operator
ProcessingJob operator digunakan untuk meluncurkan pekerjaan SageMaker pemrosesan Amazon. Untuk informasi lebih lanjut tentang SageMaker Memproses pekerjaan, lihat [CreateProcessingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateProcessingJob.html).
**Topics**
+ [Membuat file ProcessingJob menggunakan YAMG](#kubernetes-processing-job-yaml)
+ [Daftar ProcessingJobs](#kubernetes-processing-job-list)
+ [Jelaskan ProcessingJob](#kubernetes-processing-job-description)
+ [Menghapus ProcessingJob](#kubernetes-processing-job-delete)
### Membuat file ProcessingJob menggunakan YAMG
Ikuti langkah-langkah berikut untuk membuat pekerjaan SageMaker pemrosesan Amazon dengan menggunakan file YAMAL:
1. Unduh skrip `kmeans_preprocessing.py` pra-pemrosesan.
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/kmeans_preprocessing.py
```
1. Di salah satu bucket Amazon Simple Storage Service (Amazon S3) Anda, buat `mnist_kmeans_example/processing_code` folder dan unggah skrip ke folder.
1. Unduh `kmeans-mnist-processingjob.yaml` filenya.
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/kmeans-mnist-processingjob.yaml
```
1. Edit file YAMM untuk menentukan `sagemaker-execution-role` dan mengganti semua instance `amzn-s3-demo-bucket` dengan bucket S3 Anda.
```
...
metadata:
name: kmeans-mnist-processing
...
roleArn: arn:aws:iam:::role/service-role/
...
processingOutputConfig:
outputs:
...
s3Output:
s3Uri: s3:///mnist_kmeans_example/output/
...
processingInputs:
...
s3Input:
s3Uri: s3:///mnist_kmeans_example/processing_code/kmeans_preprocessing.py
```
`sagemaker-execution-role`Harus memiliki izin agar SageMaker AI dapat mengakses bucket S3 CloudWatch, Amazon, dan layanan lainnya atas nama Anda. Untuk informasi selengkapnya tentang membuat peran eksekusi, lihat [Peran SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms).
1. Terapkan file YAMG menggunakan salah satu perintah berikut.
Untuk instalasi dengan cakupan cluster:
```
kubectl apply -f kmeans-mnist-processingjob.yaml
```
Untuk instalasi dengan cakupan ruang nama:
```
kubectl apply -f kmeans-mnist-processingjob.yaml -n
```
### Daftar ProcessingJobs
Gunakan salah satu perintah berikut untuk membuat daftar semua pekerjaan yang dibuat menggunakan ProcessingJob operator. `SAGEMAKER-JOB-NAME `berasal dari `metadata` bagian file YAMM.
Untuk instalasi dengan cakupan cluster:
```
kubectl get ProcessingJob kmeans-mnist-processing
```
Untuk instalasi dengan cakupan ruang nama:
```
kubectl get ProcessingJob -n kmeans-mnist-processing
```
Output-nya semestinya mirip dengan yang berikut:
```
NAME STATUS CREATION-TIME SAGEMAKER-JOB-NAME
kmeans-mnist-processing InProgress 2020-09-22T21:13:25Z kmeans-mnist-processing-7410ed52fd1811eab19a165ae9f9e385
```
Output mencantumkan semua pekerjaan terlepas dari statusnya. Untuk menghapus pekerjaan dari daftar, lihat [Menghapus Pekerjaan Pemrosesan](https://docs.aws.amazon.com/sagemaker/latest/dg/kubernetes-processing-job-operator.html#kubernetes-processing-job-delete).
**ProcessingJob Status**
+ `SynchronizingK8sJobWithSageMaker`— Pekerjaan pertama kali diserahkan ke cluster. Operator telah menerima permintaan dan sedang bersiap untuk membuat pekerjaan pemrosesan.
+ `Reconciling`— Operator menginisialisasi atau memulihkan dari kesalahan sementara, bersama dengan yang lain. Jika pekerjaan pemrosesan tetap dalam keadaan ini, gunakan `kubectl` `describe` perintah untuk melihat alasannya di `Additional` lapangan.
+ `InProgress | Completed | Failed | Stopping | Stopped`— Status pekerjaan SageMaker Pemrosesan. Untuk informasi selengkapnya, lihat [DescribeProcessingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeProcessingJob.html#sagemaker-DescribeProcessingJob-response-ProcessingJobStatus).
+ `Error`— Operator tidak dapat memulihkan dengan rekonsiliasi.
Pekerjaan yang telah selesai, berhenti, atau gagal tidak dikenakan biaya lebih lanjut untuk sumber daya SageMaker AI.
### Jelaskan ProcessingJob
Gunakan salah satu perintah berikut untuk mendapatkan detail lebih lanjut tentang pekerjaan pemrosesan. Perintah ini biasanya digunakan untuk men-debug masalah atau memeriksa parameter pekerjaan pemrosesan.
Untuk instalasi dengan cakupan cluster:
```
kubectl describe processingjob kmeans-mnist-processing
```
Untuk instalasi dengan cakupan ruang nama:
```
kubectl describe processingjob kmeans-mnist-processing -n
```
Output untuk pekerjaan pemrosesan Anda akan terlihat mirip dengan yang berikut ini.
```
$ kubectl describe ProcessingJob kmeans-mnist-processing
Name: kmeans-mnist-processing
Namespace: default
Labels:
Annotations: kubectl.kubernetes.io/last-applied-configuration:
{"apiVersion":"sagemaker.aws.amazon.com/v1","kind":"ProcessingJob","metadata":{"annotations":{},"name":"kmeans-mnist-processing",...
API Version: sagemaker.aws.amazon.com/v1
Kind: ProcessingJob
Metadata:
Creation Timestamp: 2020-09-22T21:13:25Z
Finalizers:
sagemaker-operator-finalizer
Generation: 2
Resource Version: 21746658
Self Link: /apis/sagemaker.aws.amazon.com/v1/namespaces/default/processingjobs/kmeans-mnist-processing
UID: 7410ed52-fd18-11ea-b19a-165ae9f9e385
Spec:
App Specification:
Container Entrypoint:
python
/opt/ml/processing/code/kmeans_preprocessing.py
Image Uri: 763104351884.dkr.ecr.us-west-2.amazonaws.com/pytorch-training:1.5.0-cpu-py36-ubuntu16.04
Environment:
Name: MYVAR
Value: my_value
Name: MYVAR2
Value: my_value2
Network Config:
Processing Inputs:
Input Name: mnist_tar
s3Input:
Local Path: /opt/ml/processing/input
s3DataType: S3Prefix
s3InputMode: File
s3Uri: s3://-us-west-2/algorithms/kmeans/mnist/mnist.pkl.gz
Input Name: source_code
s3Input:
Local Path: /opt/ml/processing/code
s3DataType: S3Prefix
s3InputMode: File
s3Uri: s3:///mnist_kmeans_example/processing_code/kmeans_preprocessing.py
Processing Output Config:
Outputs:
Output Name: train_data
s3Output:
Local Path: /opt/ml/processing/output_train/
s3UploadMode: EndOfJob
s3Uri: s3:///mnist_kmeans_example/output/
Output Name: test_data
s3Output:
Local Path: /opt/ml/processing/output_test/
s3UploadMode: EndOfJob
s3Uri: s3:///mnist_kmeans_example/output/
Output Name: valid_data
s3Output:
Local Path: /opt/ml/processing/output_valid/
s3UploadMode: EndOfJob
s3Uri: s3:///mnist_kmeans_example/output/
Processing Resources:
Cluster Config:
Instance Count: 1
Instance Type: ml.m5.xlarge
Volume Size In GB: 20
Region: us-west-2
Role Arn: arn:aws:iam:::role/m-sagemaker-role
Stopping Condition:
Max Runtime In Seconds: 1800
Tags:
Key: tagKey
Value: tagValue
Status:
Cloud Watch Log URL: https://us-west-2.console.aws.amazon.com/cloudwatch/home?region=us-west-2#logStream:group=/aws/sagemaker/ProcessingJobs;prefix=kmeans-mnist-processing-7410ed52fd1811eab19a165ae9f9e385;streamFilter=typeLogStreamPrefix
Last Check Time: 2020-09-22T21:14:29Z
Processing Job Status: InProgress
Sage Maker Processing Job Name: kmeans-mnist-processing-7410ed52fd1811eab19a165ae9f9e385
Events:
```
### Menghapus ProcessingJob
Saat Anda menghapus pekerjaan pemrosesan, pekerjaan SageMaker Pemrosesan dihapus dari Kubernetes tetapi pekerjaan tersebut tidak dihapus dari AI. SageMaker Jika status pekerjaan di SageMaker AI `InProgress` adalah pekerjaan dihentikan. Memproses pekerjaan yang dihentikan tidak dikenakan biaya apa pun untuk sumber daya SageMaker AI. Gunakan salah satu perintah berikut untuk menghapus pekerjaan pemrosesan.
Untuk instalasi dengan cakupan cluster:
```
kubectl delete processingjob kmeans-mnist-processing
```
Untuk instalasi dengan cakupan ruang nama:
```
kubectl delete processingjob kmeans-mnist-processing -n
```
Output untuk pekerjaan pemrosesan Anda akan terlihat mirip dengan yang berikut ini.
```
processingjob.sagemaker.aws.amazon.com "kmeans-mnist-processing" deleted
```
**catatan**
SageMaker AI tidak menghapus pekerjaan pemrosesan. Pekerjaan yang dihentikan terus ditampilkan di konsol SageMaker AI. `delete`Perintah membutuhkan beberapa menit untuk membersihkan sumber daya dari SageMaker AI.
## HostingAutoscalingPolicy (HAP) Operator
Operator HostingAutoscalingPolicy (HAP) mengambil daftar sumber daya IDs sebagai input dan menerapkan kebijakan yang sama untuk masing-masing sumber daya. Setiap ID sumber daya adalah kombinasi dari nama endpoint dan nama varian. Operator HAP melakukan dua langkah: ia mendaftarkan sumber daya IDs dan kemudian menerapkan kebijakan penskalaan ke setiap ID sumber daya. `Delete`membatalkan kedua tindakan tersebut. [Anda dapat menerapkan HAP ke titik akhir SageMaker AI yang ada atau Anda dapat membuat titik akhir SageMaker AI baru menggunakan operator. HostingDeployment ](https://docs.aws.amazon.com/sagemaker/latest/dg/hosting-deployment-operator.html#create-a-hostingdeployment) Anda dapat membaca selengkapnya tentang penskalaan otomatis SageMaker AI dalam dokumentasi Kebijakan Penskalaan [Otomatis Aplikasi](https://docs.aws.amazon.com/sagemaker/latest/dg/endpoint-auto-scaling.html).
**catatan**
Dalam `kubectl` perintah Anda, Anda dapat menggunakan formulir pendek`hap`,, sebagai pengganti`hostingautoscalingpolicy`.
**Topics**
+ [Membuat file HostingAutoscalingPolicy menggunakan YAMG](#kubernetes-hap-job-yaml)
+ [Daftar HostingAutoscalingPolicies](#kubernetes-hap-list)
+ [Jelaskan HostingAutoscalingPolicy](#kubernetes-hap-describe)
+ [Perbarui HostingAutoscalingPolicy](#kubernetes-hap-update)
+ [Menghapus HostingAutoscalingPolicy](#kubernetes-hap-delete)
+ [Memperbarui atau menghapus titik akhir dengan HostingAutoscalingPolicy](#kubernetes-hap-update-delete-endpoint)
### Membuat file HostingAutoscalingPolicy menggunakan YAMG
Gunakan file YAMM untuk membuat HostingAutoscalingPolicy (HAP) yang menerapkan metrik yang telah ditentukan atau kustom ke satu atau beberapa SageMaker titik akhir AI.
Amazon SageMaker AI memerlukan nilai khusus untuk menerapkan penskalaan otomatis ke varian Anda. Jika nilai-nilai ini tidak ditentukan dalam spesifikasi YAMB, operator HAP menerapkan nilai default berikut.
```
# Do not change
Namespace = "sagemaker"
# Do not change
ScalableDimension = "sagemaker:variant:DesiredInstanceCount"
# Only one supported
PolicyType = "TargetTrackingScaling"
# This is the default policy name but can be changed to apply a custom policy
DefaultAutoscalingPolicyName = "SageMakerEndpointInvocationScalingPolicy"
```
Gunakan sampel berikut untuk membuat HAP yang menerapkan metrik yang telah ditentukan atau kustom ke satu atau beberapa titik akhir.
#### Contoh 1: Menerapkan metrik yang telah ditentukan ke varian titik akhir tunggal
1. Unduh file YAMM sampel untuk metrik yang telah ditentukan menggunakan perintah berikut:
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/hap-predefined-metric.yaml
```
1. Edit file YAMG untuk menentukan file Anda`endpointName`,`variantName`, dan`Region`.
1. Gunakan salah satu perintah berikut untuk menerapkan metrik yang telah ditentukan ke ID sumber daya tunggal (nama titik akhir dan kombinasi nama varian).
Untuk instalasi dengan cakupan cluster:
```
kubectl apply -f hap-predefined-metric.yaml
```
Untuk instalasi dengan cakupan ruang nama:
```
kubectl apply -f hap-predefined-metric.yaml -n
```
#### Contoh 2: Menerapkan metrik khusus ke varian titik akhir tunggal
1. Unduh contoh file YAMAL untuk metrik kustom menggunakan perintah berikut:
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/hap-custom-metric.yaml
```
1. Edit file YAMG untuk menentukan file Anda`endpointName`,`variantName`, dan`Region`.
1. Gunakan salah satu perintah berikut untuk menerapkan metrik kustom ke ID sumber daya tunggal (nama titik akhir dan kombinasi nama varian) sebagai pengganti yang direkomendasikan`SageMakerVariantInvocationsPerInstance`.
**catatan**
Amazon SageMaker AI tidak memeriksa validitas spesifikasi YAMM Anda.
Untuk instalasi dengan cakupan cluster:
```
kubectl apply -f hap-custom-metric.yaml
```
Untuk instalasi dengan cakupan ruang nama:
```
kubectl apply -f hap-custom-metric.yaml -n
```
#### Contoh 3: Menerapkan kebijakan penskalaan ke beberapa titik akhir dan varian
Anda dapat menggunakan operator HAP untuk menerapkan kebijakan penskalaan yang sama ke beberapa sumber daya. IDs `scaling_policy`Permintaan terpisah dibuat untuk setiap ID sumber daya (nama titik akhir dan kombinasi nama varian).
1. Unduh file YAMM sampel untuk metrik yang telah ditentukan menggunakan perintah berikut:
```
wget https://raw.githubusercontent.com/aws/amazon-sagemaker-operator-for-k8s/master/samples/hap-predefined-metric.yaml
```
1. Edit file YAMM untuk menentukan Anda `Region` `endpointName` dan beberapa serta `variantName` nilai.
1. Gunakan salah satu perintah berikut untuk menerapkan metrik yang telah ditentukan ke beberapa sumber daya IDs (nama titik akhir dan kombinasi nama varian).
Untuk instalasi dengan cakupan cluster:
```
kubectl apply -f hap-predefined-metric.yaml
```
Untuk instalasi dengan cakupan ruang nama:
```
kubectl apply -f hap-predefined-metric.yaml -n
```
#### Pertimbangan HostingAutoscalingPolicies untuk beberapa titik akhir dan varian
Pertimbangan berikut berlaku saat Anda menggunakan beberapa sumber daya IDs:
+ Jika Anda menerapkan satu kebijakan di beberapa sumber daya IDs, satu PolicYarn dibuat per ID sumber daya. Lima titik akhir memiliki lima KebijakanARNs. Saat Anda menjalankan `describe` perintah pada kebijakan, respons akan muncul sebagai satu pekerjaan dan menyertakan satu status pekerjaan.
+ Jika Anda menerapkan metrik kustom ke beberapa sumber daya IDs, dimensi atau nilai yang sama akan digunakan untuk semua nilai ID sumber daya (varian). Misalnya, jika Anda menerapkan metrik pelanggan untuk instance 1-5, dan dimensi varian titik akhir dipetakan ke varian 1, ketika varian 1 melebihi metrik, semua titik akhir diskalakan ke atas atau ke bawah.
+ Operator HAP mendukung pembaruan daftar sumber daya IDs. Jika Anda mengubah, menambah, atau menghapus sumber daya IDs ke spesifikasi, kebijakan penskalaan otomatis akan dihapus dari daftar varian sebelumnya dan diterapkan ke kombinasi ID sumber daya yang baru ditentukan. Gunakan [https://docs.aws.amazon.com/sagemaker/latest/dg/kubernetes-hap-operator.html#kubernetes-hap-describe](https://docs.aws.amazon.com/sagemaker/latest/dg/kubernetes-hap-operator.html#kubernetes-hap-describe)perintah untuk membuat daftar sumber daya IDs yang saat ini diterapkan kebijakan.
### Daftar HostingAutoscalingPolicies
Gunakan salah satu perintah berikut untuk daftar all HostingAutoscalingPolicies (HAPs) yang dibuat menggunakan operator HAP.
Untuk instalasi dengan cakupan cluster:
```
kubectl get hap
```
Untuk instalasi dengan cakupan ruang nama:
```
kubectl get hap -n
```
Output-nya semestinya mirip dengan yang berikut:
```
NAME STATUS CREATION-TIME
hap-predefined Created 2021-07-13T21:32:21Z
```
Gunakan perintah berikut untuk memeriksa status HostingAutoscalingPolicy (HAP) Anda.
```
kubectl get hap
```
Salah satu nilai berikut dikembalikan:
+ `Reconciling`— Jenis kesalahan tertentu menunjukkan status sebagai `Reconciling` pengganti`Error`. Beberapa contoh adalah kesalahan sisi server dan titik akhir di negara bagian atau. `Creating` `Updating` Periksa `Additional` bidang di status atau log operator untuk detail selengkapnya.
+ `Created`
+ `Error`
**Untuk melihat titik akhir penskalaan otomatis tempat Anda menerapkan kebijakan**
1. Buka konsol Amazon SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Di panel sisi kiri, perluas **Inferensi**.
1. Pilih **Titik akhir**.
1. Pilih nama titik akhir yang diminati.
1. Gulir ke bagian **Pengaturan runtime Endpoint**.
### Jelaskan HostingAutoscalingPolicy
Gunakan perintah berikut untuk mendapatkan rincian lebih lanjut tentang HostingAutoscalingPolicy (HAP). Perintah ini biasanya digunakan untuk men-debug masalah atau memeriksa sumber daya IDs (nama endpoint dan kombinasi nama varian) dari HAP.
```
kubectl describe hap
```
### Perbarui HostingAutoscalingPolicy
Operator HostingAutoscalingPolicy (HAP) mendukung pembaruan. Anda dapat mengedit spesifikasi YAMAL untuk mengubah nilai, lalu menerapkan kembali kebijakan tersebut. Operator HAP menghapus kebijakan yang ada dan menerapkan kebijakan baru.
### Menghapus HostingAutoscalingPolicy
Gunakan salah satu perintah berikut untuk menghapus kebijakan HostingAutoscalingPolicy (HAP).
Untuk instalasi dengan cakupan cluster:
```
kubectl delete hap hap-predefined
```
Untuk instalasi dengan cakupan ruang nama:
```
kubectl delete hap hap-predefined -n
```
Perintah ini menghapus kebijakan penskalaan dan membatalkan pendaftaran target penskalaan dari Kubernetes. Perintah ini mengembalikan output sebagai berikut:
```
hostingautoscalingpolicies.sagemaker.aws.amazon.com "hap-predefined" deleted
```
### Memperbarui atau menghapus titik akhir dengan HostingAutoscalingPolicy
Untuk memperbarui titik akhir yang memiliki HostingAutoscalingPolicy (HAP), gunakan `kubectl` `delete` perintah untuk menghapus HAP, memperbarui titik akhir, dan kemudian menerapkan kembali HAP.
Untuk menghapus titik akhir yang memiliki HAP, gunakan `kubectl` `delete` perintah untuk menghapus HAP sebelum Anda menghapus titik akhir.