create-compilation-job

Описание

Запускает задачу компиляции модели. После компиляции модели Amazon SageMaker AI сохраняет полученные артефакты модели в указанный вами бакете Amazon Simple Storage Service (Amazon S3).

Если вы выберите размещение своей модели с помощью сервисов хостинга Amazon SageMaker AI, вы можете использовать полученные артефакты модели. Вы также можете использовать артефакты с Amazon Web Services IoT Greengrass. В этом случае разверните их в качестве ресурса машинного обучения.

В теле запроса вы предоставляете следующее:

Имя задачи компиляции
Информация об входных артефактах модели
Местоположение вывода скомпилированной модели и устройства (цели), на котором работает модель
Идентификатор ресурса Amazon (ARN) роли IAM, которую Amazon SageMaker AI использует для выполнения задачи компиляции модели.

Вы также можете предоставить Tag для отслеживания использования ресурсов и затрат на задачу компиляции модели. Тело ответа содержит CompilationJobArn для скомпилированной задачи.

Чтобы остановить задачу компиляции модели, используйте StopCompilationJob. Чтобы получить информацию о конкретной задаче компиляции модели, используйте DescribeCompilationJob. Чтобы получить информацию о нескольких задачах компиляции моделей, используйте ListCompilationJobs.

См. также: Документацию API AWS

Синтаксис

  create-compilation-job
--compilation-job-name <value>
--role-arn <value>
[--model-package-version-arn <value>]
[--input-config <value>]
--output-config <value>
[--vpc-config <value>]
--stopping-condition <value>
[--tags <value>]
[--cli-input-json | --cli-input-yaml]
[--generate-cli-skeleton <value>]
[--debug]
[--endpoint-url <value>]
[--no-verify-ssl]
[--no-paginate]
[--output <value>]
[--query <value>]
[--profile <value>]
[--region <value>]
[--version <value>]
[--color <value>]
[--no-sign-request]
[--ca-bundle <value>]
[--cli-read-timeout <value>]
[--cli-connect-timeout <value>]
[--cli-binary-format <value>]
[--no-cli-pager]
[--cli-auto-prompt]
[--no-cli-auto-prompt]

Параметры

--compilation-job-name (строка)

Имя задачи компиляции модели. Имя должно быть уникальным в регионе Amazon Web Services и в вашем аккаунте Amazon Web Services.

--role-arn (строка)

Идентификатор ресурса Amazon (ARN) роли IAM, которая позволяет Amazon SageMaker AI выполнять задачи от вашего имени.

Во время компиляции модели Amazon SageMaker AI нуждается в вашем разрешении для:

Чтения входных данных из бакета S3
Записи артефактов модели в бакете S3
Записи журналов в Amazon CloudWatch Logs
Опубликования метрик в Amazon CloudWatch

Вы предоставляете разрешения на все эти задачи роли IAM. Чтобы передать эту роль Amazon SageMaker AI, у вызывающего эту API должна быть разрешение iam:PassRole. Дополнительную информацию см. в разделе Роли Amazon SageMaker AI.

--model-package-version-arn (строка)

Идентификатор ресурса Amazon (ARN) версии пакета модели. Предоставьте либо ModelPackageVersionArn, либо InputConfig объект в синтаксисе запроса. Наличие обоих объектов в запросе CreateCompilationJob приведет к ошибке.

--input-config (структура)

Предоставляет информацию о расположении входных артефактов модели, имени и форме ожидаемых входных данных и фреймворке, в котором модель была обучена.

S3Uri -> (строка)

Путь S3, где хранятся артефакты модели, полученные в результате обучения модели. Этот путь должен указывать на один сжатый gzip архив tar (.tar.gz).

DataInputConfig -> (строка)

Указывает имя и форму ожидаемых входных данных для обученной модели в формате JSON-словаря. Входные данные специфичны для Framework.

TensorFlow : Вы должны указать имя и форму (формат NHWC) ожидаемых входных данных, используя формат словаря для обученной модели. Форматы словарей, необходимые для консоли и командной строки, отличаются.
- Примеры для одного входа:
  - Если вы используете консоль, {"input":[1,1024,1024,3]}
  - Если вы используете командную строку, {\"input\":[1,1024,1024,3]}
- Примеры для двух входов:
  - Если вы используете консоль, {"data1": [1,28,28,1], "data2":[1,28,28,1]}
  - Если вы используете командную строку, {\"data1\": [1,28,28,1], \"data2\":[1,28,28,1]}
KERAS : Вы должны указать имя и форму (формат NCHW) ожидаемых входных данных, используя формат словаря для обученной модели. Обратите внимание, что, хотя артефакты модели Keras должны загружаться в формате NHWC (канал-последний), DataInputConfig должен быть указан в формате NCHW (канал-первый). Форматы словарей, необходимые для консоли и командной строки, отличаются.
- Примеры для одного входа:
  - Если вы используете консоль, {"input_1":[1,3,224,224]}
  - Если вы используете командную строку, {\"input_1\":[1,3,224,224]}
- Примеры для двух входов:
  - Если вы используете консоль, {"input_1": [1,3,224,224], "input_2":[1,3,224,224]}
  - Если вы используете командную строку, {\"input_1\": [1,3,224,224], \"input_2\":[1,3,224,224]}
MXNET/ONNX/DARKNET : Вы должны указать имя и форму (формат NCHW) ожидаемых входных данных в порядке, используя формат словаря для вашей обученной модели. Форматы словарей, необходимые для консоли и командной строки, отличаются.
- Примеры для одного входа:
  - Если вы используете консоль, {"data":[1,3,1024,1024]}
  - Если вы используете командную строку, {\"data\":[1,3,1024,1024]}
- Примеры для двух входов:
  - Если вы используете консоль, {"var1": [1,1,28,28], "var2":[1,1,28,28]}
  - Если вы используете командную строку, {\"var1\": [1,1,28,28], \"var2\":[1,1,28,28]}
PyTorch : Вы можете указать имя и форму (формат NCHW) ожидаемых входных данных в порядке, используя формат словаря для обученной модели, или вы можете указать только форму, используя список. Форматы словарей, необходимые для консоли и командной строки, отличаются. Форматы списков для консоли и командной строки одинаковы.
- Примеры для одного входа в формате словаря:
  - Если вы используете консоль, {"input0":[1,3,224,224]}
  - Если вы используете командную строку, {\"input0\":[1,3,224,224]}
- Пример для одного входа в формате списка: [[1,3,224,224]]
- Примеры для двух входов в формате словаря:
  - Если вы используете консоль, {"input0":[1,3,224,224], "input1":[1,3,224,224]}
  - Если вы используете командную строку, {\"input0\":[1,3,224,224], \"input1\":[1,3,224,224]}
- Пример для двух входов в формате списка: [[1,3,224,224], [1,3,224,224]]
XGBOOST : имя и форма входных данных не нужны.

DataInputConfig поддерживает следующие параметры для CoreML TargetDevice (формат ML Model):

shape : Форма входных данных, например {"input_1": {"shape": [1,224,224,3]}} . В дополнение к статическим формам входных данных, конвертер CoreML поддерживает гибкие формы входных данных:
- Диапазон измерений. Вы можете использовать функцию диапазона измерений, если знаете, что форма входных данных будет находиться в определенном интервале в этом измерении, например: {"input_1": {"shape": ["1..10", 224, 224, 3]}}
- Перечисленные формы. Иногда модели обучаются работать только с определенным набором входных данных. Вы можете перечислить все поддерживаемые формы входных данных, например: {"input_1": {"shape": [[1, 224, 224, 3], [1, 160, 160, 3]]}}
default_shape : Форма входных данных по умолчанию. Вы можете установить форму по умолчанию во время преобразования для диапазона измерений и перечисленных форм. Например {"input_1": {"shape": ["1..10", 224, 224, 3], "default_shape": [1, 224, 224, 3]}}
type : Тип входных данных. Разрешенные значения: Image и Tensor . По умолчанию конвертер генерирует ML модель со входами типа Tensor (MultiArray). Пользователь может установить тип ввода на Image. Тип ввода Image требует дополнительных параметров ввода, таких как bias и scale .
bias : Если тип ввода - Image, вам необходимо предоставить вектор смещения.
scale : Если тип ввода - Image, вам необходимо предоставить коэффициент масштабирования.

Параметры CoreML ClassifierConfig могут быть указаны, используя OutputConfig CompilerOptions . Конвертер CoreML поддерживает модели Tensorflow и PyTorch. Примеры преобразования CoreML:

Ввод типа Tensor:
- "DataInputConfig": {"input_1": {"shape": [[1,224,224,3], [1,160,160,3]], "default_shape": [1,224,224,3]}}
Ввод типа Tensor без имени ввода (PyTorch):
- "DataInputConfig": [{"shape": [[1,3,224,224], [1,3,160,160]], "default_shape": [1,3,224,224]}]
Ввод типа Image:
- "DataInputConfig": {"input_1": {"shape": [[1,224,224,3], [1,160,160,3]], "default_shape": [1,224,224,3], "type": "Image", "bias": [-1,-1,-1], "scale": 0.007843137255}}
- "CompilerOptions": {"class_labels": "imagenet_labels_1000.txt"}
Ввод типа Image без имени ввода (PyTorch):
- "DataInputConfig": [{"shape": [[1,3,224,224], [1,3,160,160]], "default_shape": [1,3,224,224], "type": "Image", "bias": [-1,-1,-1], "scale": 0.007843137255}]
- "CompilerOptions": {"class_labels": "imagenet_labels_1000.txt"}

В зависимости от формата модели, DataInputConfig требует следующих параметров для ml_eia2 OutputConfig:TargetDevice.

Для моделей TensorFlow, сохраненных в формате SavedModel, укажите имена входов из signature_def_key и формы моделей входов для DataInputConfig . Укажите signature_def_key в ` OutputConfig:CompilerOptions https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_OutputConfig.html#sagemaker-Type-OutputConfig-CompilerOptions`__ если модель не использует ключевое слово подписи по умолчанию TensorFlow. Например:
- "DataInputConfig": {"inputs": [1, 224, 224, 3]}
- "CompilerOptions": {"signature_def_key": "serving_custom"}
Для моделей TensorFlow, сохраненных как замороженная графика, укажите имена и формы входных тензоров в DataInputConfig и имена выходных тензоров для output_names в ` OutputConfig:CompilerOptions https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_OutputConfig.html#sagemaker-Type-OutputConfig-CompilerOptions`__. Например:
- "DataInputConfig": {"input_tensor:0": [1, 224, 224, 3]}
- "CompilerOptions": {"output_names": ["output_tensor:0"]}

Framework -> (строка)

Идентифицирует фреймворк, в котором модель была обучена. Например: TENSORFLOW.

FrameworkVersion -> (строка)

Указывает версию фреймворка для использования. Это поле API поддерживается только для фреймворков MXNet, PyTorch, TensorFlow и TensorFlow Lite.

Для получения информации о поддерживаемых версиях фреймворков для облачных целей и устройств периферии см. Cloud Supported Instance Types and Frameworks и Edge Supported Frameworks.

Сокращенный синтаксис:

S3Uri=string,DataInputConfig=string,Framework=string,FrameworkVersion=string

Синтаксис JSON:

{
  "S3Uri": "string",
  "DataInputConfig": "string",
  "Framework": "TENSORFLOW"|"KERAS"|"MXNET"|"ONNX"|"PYTORCH"|"XGBOOST"|"TFLITE"|"DARKNET"|"SKLEARN",
  "FrameworkVersion": "string"
}

--output-config (структура)

Предоставляет информацию о местоположении вывода скомпилированной модели и целевом устройстве, на котором она работает.

S3OutputLocation -> (строка)

Указывает S3-ведро, в котором Amazon SageMaker AI хочет сохранить артефакты модели. Например, s3://bucket-name/key-name-prefix .

TargetDevice -> (строка)

Указывает целевое устройство или экземпляр машины обучения, на котором вы хотите запустить свою модель после завершения компиляции. В качестве альтернативы, вы можете указать операционную систему, архитектуру и ускоритель, используя поля TargetPlatform. Его можно использовать вместо TargetPlatform .

Примечание

В настоящее время ml_trn1 доступен только в регионе США Восточный (Северная Вирджиния), а ml_inf2 доступен только в регионе США Восточный (Огайо).

TargetPlatform -> (структура)

Содержит информацию о целевой платформе, на которой вы хотите запустить свою модель, например, об операционной системе, архитектуре и ускорителях. Это альтернатива TargetDevice .

В следующих примерах показано, как настроить TargetPlatform и CompilerOptions JSON-строки для популярных целевых платформ:

Raspberry Pi 3 Model B+ "TargetPlatform": {"Os": "LINUX", "Arch": "ARM_EABIHF"}, "CompilerOptions": {'mattr': ['+neon']}
Jetson TX2 "TargetPlatform": {"Os": "LINUX", "Arch": "ARM64", "Accelerator": "NVIDIA"}, "CompilerOptions": {'gpu-code': 'sm_62', 'trt-ver': '6.0.1', 'cuda-ver': '10.0'}
Экземпляр EC2 m5.2xlarge, операционная система "TargetPlatform": {"Os": "LINUX", "Arch": "X86_64", "Accelerator": "NVIDIA"}, "CompilerOptions": {'mcpu': 'skylake-avx512'}
RK3399 "TargetPlatform": {"Os": "LINUX", "Arch": "ARM64", "Accelerator": "MALI"}
ARMv7 телефон (CPU) "TargetPlatform": {"Os": "ANDROID", "Arch": "ARM_EABI"}, "CompilerOptions": {'ANDROID_PLATFORM': 25, 'mattr': ['+neon']}
ARMv8 телефон (CPU) "TargetPlatform": {"Os": "ANDROID", "Arch": "ARM64"}, "CompilerOptions": {'ANDROID_PLATFORM': 29}

Os -> (строка)

Указывает операционную систему целевой платформы.

LINUX : Основанные на Linux операционные системы.
ANDROID : Операционные системы Android. Уровень API Android можно указать с помощью опции компилятора ANDROID_PLATFORM . Например, "CompilerOptions": {'ANDROID_PLATFORM': 28}

Arch -> (строка)

Указывает архитектуру целевой платформы.

X86_64 : 64-битная версия набора инструкций x86.
X86 : 32-битная версия набора инструкций x86.
ARM64 : ARMv8 64-битный процессор.
ARM_EABIHF : ARMv7 32-битный, Hard Float.
ARM_EABI : ARMv7 32-битный, Soft Float. Используется платформой Android 32-битного ARM.

Accelerator -> (строка)

Указывает ускоритель целевой платформы (необязательно).

NVIDIA : Видеокарта Nvidia. Она также требует опций компилятора gpu-code , trt-ver , cuda-ver
MALI : ARM Mali графический процессор
INTEL_GRAPHICS : Интегрированная графика Intel

CompilerOptions -> (строка)

Указывает дополнительные параметры для опций компилятора в формате JSON. Опции компилятора специфичны для TargetPlatform. Они требуются для ускорителей NVIDIA и настоятельно рекомендуются для компиляции на CPU. В других случаях, необязательно указывать CompilerOptions.

DTYPE : Указывает тип данных для входных данных. При компиляции для ml_* (за исключением ml_inf ) экземпляров с использованием PyTorch, укажите тип данных (dtype) входных данных модели. "float32" используется, если "DTYPE" не указан. Варианты типа данных:
- float32: Используйте либо "float", либо "float32".
- int64: Используйте либо "int64", либо "long".

Например, {"dtype" : "float32"}.

CPU : Компиляция для CPU поддерживает следующие опции компилятора.
- mcpu : Микроархитектура CPU. Например, {'mcpu': 'skylake-avx512'}
- mattr : Флаги CPU. Например, {'mattr': ['+neon', '+vfpv4']}
ARM : Подробности компиляции для ARM CPU.
- NEON : NEON — это реализация расширения Advanced SIMD, используемого в процессорах ARMv7. Например, добавьте {'mattr': ['+neon']} в опции компилятора, если вы компилируете для 32-битной ARM-платформы с поддержкой NEON.
NVIDIA : Компиляция для NVIDIA GPU поддерживает следующие опции компилятора.
- gpu_code : Указывает целевую архитектуру.
- trt-ver : Указывает версии TensorRT в формате x.y.z.
- cuda-ver : Указывает версию CUDA в формате x.y.

Например, {'gpu-code': 'sm_72', 'trt-ver': '6.0.1', 'cuda-ver': '10.1'}

ANDROID : Компиляция для операционной системы Android поддерживает следующие опции компилятора:
- ANDROID_PLATFORM : Указывает уровни API Android. Доступные уровни варьируются от 21 до 29. Например, {'ANDROID_PLATFORM': 28} .
- mattr : Добавьте {'mattr': ['+neon']} в опции компилятора, если вы компилируете для 32-битной ARM-платформы с поддержкой NEON.
INFERENTIA : Компиляция для целевого ml_inf1 использует опции компилятора, переданные в виде JSON-строки. Например, "CompilerOptions": "\"--verbose 1 --num-neuroncores 2 -O2\"" . Сведения об поддерживаемых опциях компилятора см. в руководстве Neuron Compiler CLI.
CoreML : Компиляция для CoreML OutputConfig TargetDevice поддерживает следующие опции компилятора:
- class_labels : Указывает имя файла классификационных меток внутри входного файла tar.gz. Например, {"class_labels": "imagenet_labels_1000.txt"} . Метки в файле txt должны быть разделены символами новой строки.

KmsKeyId -> (строка)

Ключ службы управления ключами Amazon Web Services (Amazon Web Services KMS), который Amazon SageMaker AI использует для шифрования выходных моделей с помощью серверного шифрования Amazon S3 после выполнения задачи компиляции. Если вы не предоставите идентификатор ключа KMS, Amazon SageMaker AI использует стандартный ключ KMS для Amazon S3 для учетной записи вашей роли. Дополнительную информацию см. в разделе Ключи шифрования, управляемые KMS, в Руководстве разработчика Amazon Simple Storage Service.

KmsKeyId может быть в одном из следующих форматов:

Идентификатор ключа: 1234abcd-12ab-34cd-56ef-1234567890ab
ARN ключа: arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-1234567890ab
Имя псевдонима: alias/ExampleAlias
ARN псевдонима: arn:aws:kms:us-west-2:111122223333:alias/ExampleAlias

Сокращенная синтаксическая запись:

S3OutputLocation=string,TargetDevice=string,TargetPlatform={Os=string,Arch=string,Accelerator=string},CompilerOptions=string,KmsKeyId=string

JSON-синтаксис:

{
  "S3OutputLocation": "string",
  "TargetDevice": "lambda"|"ml_m4"|"ml_m5"|"ml_m6g"|"ml_c4"|"ml_c5"|"ml_c6g"|"ml_p2"|"ml_p3"|"ml_g4dn"|"ml_inf1"|"ml_inf2"|"ml_trn1"|"ml_eia2"|"jetson_tx1"|"jetson_tx2"|"jetson_nano"|"jetson_xavier"|"rasp3b"|"rasp4b"|"imx8qm"|"deeplens"|"rk3399"|"rk3288"|"aisage"|"sbe_c"|"qcs605"|"qcs603"|"sitara_am57x"|"amba_cv2"|"amba_cv22"|"amba_cv25"|"x86_win32"|"x86_win64"|"coreml"|"jacinto_tda4vm"|"imx8mplus",
  "TargetPlatform": {
    "Os": "ANDROID"|"LINUX",
    "Arch": "X86_64"|"X86"|"ARM64"|"ARM_EABI"|"ARM_EABIHF",
    "Accelerator": "INTEL_GRAPHICS"|"MALI"|"NVIDIA"|"NNA"
  },
  "CompilerOptions": "string",
  "KmsKeyId": "string"
}

--vpc-config (структура)

Объект VpcConfig, который указывает VPC, к которому вы хотите подключить задачу компиляции. Контролируйте доступ к моделям, настроив VPC. Дополнительную информацию см. в разделе Защита задач компиляции с помощью виртуальной частной сети Amazon.

SecurityGroupIds -> (список)

Идентификаторы групп безопасности VPC. Идентификаторы имеют вид sg-xxxxxxxx . Укажите группы безопасности для VPC, указанного в поле Subnets .

(строка)

Subnets -> (список)

Идентификатор подсетей в VPC, к которому вы хотите подключить задачу компиляции для доступа к модели в Amazon S3.

(строка)

Сокращенная синтаксическая запись:

SecurityGroupIds=string,string,Subnets=string,string

JSON-синтаксис:

{
  "SecurityGroupIds": ["string", ...],
  "Subnets": ["string", ...]
}

--stopping-condition (структура)

Устанавливает ограничение на время выполнения задачи компиляции модели. Когда задача достигает лимита времени, Amazon SageMaker AI завершает задачу компиляции. Используйте этот API для ограничения затрат на обучение модели.

MaxRuntimeInSeconds -> (целое число)

Максимальная продолжительность в секундах, в течение которой задача обучения или компиляции может выполняться, прежде чем она будет остановлена.

Для задач компиляции, если задача не завершается в течение этого времени, генерируется ошибка TimeOut. Рекомендуется начать с 900 секунд и увеличивать по мере необходимости, исходя из вашей модели.

Для всех остальных задач, если задача не завершается в течение этого времени, SageMaker завершает задачу. Если RetryStrategy указан в запросе к задаче, MaxRuntimeInSeconds указывает максимальное время для всех попыток в совокупности, а не для каждой отдельной попытки. Значение по умолчанию составляет 1 день. Максимальное значение составляет 28 дней.

Максимальное время выполнения TrainingJob в целом, включая время, затраченное на публикацию метрик или архивирование и загрузку моделей после ее остановки, составляет 30 дней.

MaxWaitTimeInSeconds -> (целое число)

Максимальное время ожидания в секундах, которое имеет управляемая задача Spot-обучения для завершения. Это время ожидания доступности Spot-емкости плюс время выполнения задачи. Оно должно быть равно или больше MaxRuntimeInSeconds . Если задача не завершается в течение этого времени, SageMaker завершает задачу.

Если RetryStrategy указан в запросе к задаче, MaxWaitTimeInSeconds указывает максимальное время для всех попыток в совокупности, а не для каждой отдельной попытки.

MaxPendingTimeInSeconds -> (целое число)

Максимальное время в секундах, в течение которого задача обучения или компиляции может находиться в ожидании, прежде чем она будет остановлена.

Примечание

При работе с задачами обучения, использующими емкость из планов обучения, не все состояния задачи Pending учитываются в пределе MaxPendingTimeInSeconds. Следующие сценарии не увеличивают счетчик MaxPendingTimeInSeconds:

План находится в состоянии Scheduled: Задачи в очереди (в статусе Pending) до даты начала плана (ожидание запланированного времени начала)
Между резервированием емкости: Задачи временно возвращены в состояние Pending между двумя периодами резервирования емкости

MaxPendingTimeInSeconds увеличивается только тогда, когда задачи активно ожидают емкости в плане Active.

Сокращенная синтаксическая запись:

MaxRuntimeInSeconds=integer,MaxWaitTimeInSeconds=integer,MaxPendingTimeInSeconds=integer

JSON-синтаксис:

{
  "MaxRuntimeInSeconds": integer,
  "MaxWaitTimeInSeconds": integer,
  "MaxPendingTimeInSeconds": integer
}

--tags (список)

Массив пар ключ-значение. Вы можете использовать теги для категоризации ресурсов Amazon Web Services по-разному, например, по назначению, владельцу или среде. Для получения дополнительной информации см. Тегирование ресурсов Amazon Web Services.

(структура)

Объект тега, состоящий из ключа и необязательного значения, используемый для управления метаданными для ресурсов SageMaker Amazon Web Services.

Вы можете добавлять теги к экземплярам ноутбуков, задачам обучения, задачам настройки гиперпараметров, задачам пакетной трансформации, моделям, задачам маркировки, рабочим командам, конфигурациям конечных точек и конечным точкам. Дополнительную информацию о добавлении тегов к ресурсам SageMaker см. в разделе Добавить теги.

Дополнительную информацию о добавлении метаданных к вашим ресурсам Amazon Web Services с помощью тегирования см. в разделе Тегирование ресурсов Amazon Web Services. Советы по лучшим практикам управления ресурсами Amazon Web Services с помощью тегирования см. в разделе Практические рекомендации по тегированию: реализация эффективной стратегии тегирования ресурсов Amazon Web Services.

Ключ -> (строка)

Ключ тега. Ключи тегов должны быть уникальными для каждого ресурса.

Значение -> (строка)

Значение тега.

Сокращенная синтаксическая запись:

Key=string,Value=string ...

Синтаксис JSON:

[
  {
    "Key": "string",
    "Value": "string"
  }
  ...
]

--cli-input-json | --cli-input-yaml (строка) Читает аргументы из предоставленной JSON-строки. JSON-строка следует формату, предоставленному в --generate-cli-skeleton. Если на командной строке предоставлены другие аргументы, эти значения переопределят значения, предоставленные в JSON. Невозможно передавать произвольные двоичные значения с использованием значения, предоставленного в JSON, так как строка будет воспринята буквально. Это может не быть указано вместе с --cli-input-yaml.

--generate-cli-skeleton (строка) Выводит JSON-скелет в стандартный вывод, не отправляя запрос к API. Если предоставлено значение без значения или значение input, выводит пример входного JSON, который может использоваться в качестве аргумента для --cli-input-json. Аналогично, если предоставлено yaml-input, он выведет пример входного YAML, который может быть использован с --cli-input-yaml. Если предоставлено значение output, он проверит входные данные команд и вернет пример выходного JSON для этой команды. Сгенерированный JSON-скелет нестабилен между версиями AWS CLI, и нет гарантий обратной совместимости в сгенерированном JSON-скелете.

Глобальные параметры

--debug (логическое значение)

Включить отладочную запись журнала.

--endpoint-url (строка)

Переопределить URL по умолчанию команды заданным URL.

--no-verify-ssl (логическое значение)

По умолчанию AWS CLI использует SSL при взаимодействии с AWS-сервисами. Для каждого SSL-соединения AWS CLI будет проверять сертификаты SSL. Этот параметр переопределяет поведение по умолчанию по проверке сертификатов SSL.

--no-paginate (логическое значение)

Отключить автоматическую постраничную навигацию. Если автоматическая постраничная навигация отключена, AWS CLI выполнит только один вызов для первой страницы результатов.

--output (строка)

Стиль форматирования вывода команд.

json
текст
таблица
yaml
yaml-поток

--query (строка)

Запрос JMESPath для фильтрации данных ответа.

--profile (строка)

Использовать определенный профиль из вашего файла учетных данных.

--region (строка)

Регион для использования. Переопределяет настройки конфигурации/окружения.

--version (строка)

Отобразить версию этого инструмента.

--color (строка)

Включить/отключить цветной вывод.

включено
выключено
автоматически

--no-sign-request (логическое значение)

Не подписывать запросы. Учетные данные не будут загружены, если этот аргумент предоставлен.

--ca-bundle (строка)

Файл сертификата CA для использования при проверке сертификатов SSL. Переопределяет настройки конфигурации/окружения.

--cli-read-timeout (целое число)

Максимальное время чтения сокета в секундах. Если значение установлено в 0, чтение сокета будет выполняться блокирующим образом без таймаута. Значение по умолчанию составляет 60 секунд.

--cli-connect-timeout (целое число)

Максимальное время подключения сокета в секундах. Если значение установлено в 0, подключение сокета будет выполняться блокирующим образом без таймаута. Значение по умолчанию составляет 60 секунд.

--cli-binary-format (строка)

Стиль форматирования для двоичных блоков. Формат по умолчанию - base64. Формат base64 ожидает, что двоичные блоки будут предоставлены как строка, закодированная в base64. Формат raw-in-base64-out сохраняет совместимость с поведением AWS CLI V1, и двоичные значения должны передаваться буквально. При предоставлении содержимого из файла, отображающего двоичный блок fileb:// всегда будет обрабатываться как двоичный и будет использовать содержимое файла напрямую независимо от настроек cli-binary-format. При использовании file:// содержимое файла должно быть должным образом отформатировано для настроенного cli-binary-format.

base64
raw-in-base64-out

--no-cli-pager (логическое значение)

Отключить пагинатор cli для вывода.

--cli-auto-prompt (логическое значение)

Автоматически запрашивать параметры ввода CLI.

--no-cli-auto-prompt (логическое значение)

Отключить автоматическое запросить параметры ввода CLI.

Вывод

CompilationJobArn -> (строка)

Если действие выполнено успешно, служба отправляет ответ HTTP 200. Amazon SageMaker AI возвращает следующие данные в формате JSON:

CompilationJobArn : Amazon Resource Name (ARN) скомпилированной задачи.