As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Executando um trabalho SageMaker de treinamento
<a name="cluster-specific-configurations-run-sagemaker-training-job"></a>

SageMaker HyperPod O Recipes apoia o envio de um trabalho SageMaker de treinamento. Antes de enviar a tarefa de treinamento, você deve atualizar a configuração do cluster (`sm_job.yaml`) e instalar o ambiente correspondente.

## Use sua receita como um trabalho SageMaker de treinamento
<a name="cluster-specific-configurations-cluster-config-sm-job-yaml"></a>

Você pode usar sua receita como um trabalho de SageMaker treinamento se não estiver hospedando um cluster. Você deve modificar o arquivo de configuração do trabalho de SageMaker treinamento`sm_job.yaml`,, para executar sua receita.

```
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`: é possível especificar onde você está salvando seu modelo em um URL do Amazon S3.

1. `tensorboard_config`: você pode especificar uma configuração TensorBoard relacionada, como o caminho de saída ou o caminho TensorBoard dos registros.

1. `wait`: você pode especificar se está aguardando a conclusão da tarefa ao enviar sua tarefa de treinamento.

1. `inputs`: é possível especificar os caminhos para seus dados de treinamento e validação. A fonte de dados pode ser um sistema de arquivos compartilhado, como o Amazon FSx, ou um URL do Amazon S3.

1. `additional_estimator_kwargs`: Argumentos adicionais do estimador para enviar um trabalho de treinamento para a plataforma de empregos de SageMaker treinamento. Para ter mais informações, consulte [Algorithm Estimator](https://sagemaker.readthedocs.io/en/stable/api/training/algorithm.html).