Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

[Bug] ModelTrainer with no input channels emits InputDataConfig: [], which CreatePipeline rejects (min=1) — v2 omitted the key

Đang mở Phù hợp với người mới
  • Có gì không ổn?
#6,156 2 bình luận 0 reaction 0 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 1 ngày

Chưa có ai nhận issue này.

Đánh giá

Độ khó
2/5
Thời gian dự kiến
1-3 giờ
Mức phù hợp với người mới
76/100
Loại issue
Lỗi
Độ rõ ràng
Đặc tả rõ ràng
Mức độ hoạt động
Ít trao đổi
Công nghệ
aws, python
Lĩnh vực
cloud, machine-learning

Hướng nghiên cứu

Bắt đầu trong src/sagemaker/train/model_trainer.py tại logic final_input_data_config quanh các dòng 583 và 739, sau đó tái hiện quá trình tuần tự hóa TrainingStep mà không gọi AWS. Xác nhận rằng trainer không có kênh đầu vào sẽ bỏ qua InputDataConfig, trong khi trainer có các kênh vẫn không thay đổi, và xác minh rằng định nghĩa pipeline thu được được CreatePipeline chấp nhận.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

PySDK Version

  • PySDK V2 (2.x)
  • PySDK V3 (3.x)

Describe the bug
A TrainingStep built from a ModelTrainer that has no input channels serializes "InputDataConfig": [] into the pipeline definition. CreatePipeline rejects the whole definition:

botocore.exceptions.ClientError: An error occurred (ValidationException) when
calling the CreatePipeline operation: Unable to parse pipeline definition.
Model Validation failed: Length of container InputDataConfig=0 cannot be less
than min=1.

The SageMaker API accepts an absent InputDataConfig — it is not among CreateTrainingJob's required members — but rejects an empty one, because botocore's own service model gives that member min=1. It is the only min=1 list in the CreateTrainingJob shape.

Under the v2 SDK, TrainingStep(name=..., estimator=...) with no inputs= omitted the key entirely and the same pipeline created successfully. So this is a v2 → v3 behaviour regression for any training job whose data does not arrive over an S3 channel — in our case a fine-tuning job that pulls its dataset, base model and resume checkpoint from the HuggingFace Hub inside the container.

Cause — sagemaker-train, src/sagemaker/train/model_trainer.py:

# :583
final_input_data_config = self.input_data_config.copy() if self.input_data_config else []
...
# :739
"input_data_config": final_input_data_config,

The else [] makes "no channels" indistinguishable from "an empty list of channels" downstream, and the empty list is serialized rather than dropped. input_data_config=None — the default, and what the reproduction passes — takes that branch.

Suggested fix: omit the key when there are no channels, e.g. build the request without input_data_config when final_input_data_config is falsy. None would also work if the serializer drops None members.

To reproduce
Standalone, no AWS calls, no credentials — the two mock.patch calls only stop the SDK reaching IAM/S3 during construction:

import json, os
os.environ.setdefault("AWS_DEFAULT_REGION", "us-west-2")
from unittest import mock
import sagemaker.train.defaults as td
from sagemaker.core.workflow.pipeline_context import PipelineSession
from sagemaker.mlops.workflow.pipeline import Pipeline
from sagemaker.mlops.workflow.steps import TrainingStep
from sagemaker.train import ModelTrainer
from sagemaker.train.configs import Compute

ROLE = "arn:aws:iam::000000000000:role/example"
with mock.patch.object(td, "resolve_and_validate_role",
                       lambda provided_role=None, **kw: provided_role or ROLE), \
     mock.patch.object(PipelineSession, "default_bucket", lambda self: "example-bucket"):
    session = PipelineSession()
    trainer = ModelTrainer(                      # no input_data_config: none needed
        sagemaker_session=session, role=ROLE, base_job_name="repro",
        training_image="000000000000.dkr.ecr.us-west-2.amazonaws.com/example:latest",
        compute=Compute(instance_type="ml.m5.large", instance_count=1),
    )
    step = TrainingStep(name="NoChannels", step_args=trainer.train(wait=False))
    definition = json.loads(
        Pipeline(name="repro", steps=[step], sagemaker_session=session).definition())

args = definition["Steps"][0]["Arguments"]
print("InputDataConfig present:", "InputDataConfig" in args)
print("InputDataConfig value  :", json.dumps(args.get("InputDataConfig")))

Output:

InputDataConfig present: True
InputDataConfig value  : []

Calling pipeline.upsert(role_arn=...) on that definition raises the ValidationException quoted above.

Expected behavior
With no input channels, InputDataConfig is omitted from the serialized definition, matching v2 and matching what the API accepts.

Screenshots or logs
See the ValidationException and reproduction output above.

System information

  • SageMaker Python SDK version: sagemaker 3.18.0 (PyPI latest at time of writing); sagemaker-core 2.18.0; sagemaker-train 1.18.0; sagemaker-mlops 1.18.0; sagemaker-serve 1.18.0; boto3/botocore 1.43.53
  • Framework name (eg. PyTorch) or algorithm (eg. KMeans): custom training image (data pulled from HuggingFace Hub inside the container)
  • Framework version: N/A
  • Python version: 3.12
  • CPU or GPU: N/A — bug is SDK-side serialization, no job runs
  • Custom Docker image (Y/N): Y

Additional context
master carries the byte-identical else [], so this is not fixed in an unreleased commit. Pinning back to the 3.11.0 family avoids it, but that reverts a deliberate change and alters other parts of the definition.

Note for anyone reproducing: sagemaker.__version__ no longer exists on v3 (the sagemaker 3.x wheel is a namespace shim), so version-report snippets that read it raise AttributeError.

Workaround we are using — subclass TrainingStep and drop the empty container at the point the request first exists as a plain dict (arguments is an abstract member of the SDK's own Step ABC, so it is the documented seam):

from sagemaker.mlops.workflow.steps import TrainingStep as _SdkTrainingStep

class TrainingStep(_SdkTrainingStep):
    @property
    def arguments(self) -> dict:
        request = super().arguments
        if not request.get("InputDataConfig"):
            request.pop("InputDataConfig", None)
        return request

Guarding on emptiness rather than popping unconditionally means a step that does take a channel is unaffected.

Ngôn ngữ chính
Python
Star
2.3k
Fork
1.3k
Merge trung bình
3 ngày 14 giờ
Pull request đã merge (30 ngày)
47

Chuẩn bị môi trường

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của aws/sagemaker-python-sdk

Tất cả issue của aws/sagemaker-python-sdk

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.