在AWS Sagemaker中创建多个训练作业的解决方法可以使用Python SDK（boto3）进行操作。下面是一个基本的代码示例，演示如何创建并运行多个训练作业：

import boto3

# 创建Sagemaker客户端
sagemaker_client = boto3.client('sagemaker')

# 定义训练作业的参数
training_jobs = [
    {
        'TrainingJobName': 'job1',  # 训练作业的名称
        'AlgorithmSpecification': {
            'TrainingImage': 'image-uri',  # 训练算法镜像的URI
            'TrainingInputMode': 'File'
        },
        'RoleArn': 'role-arn',  # 角色ARN
        'InputDataConfig': [
            {
                'ChannelName': 'train',  # 输入通道的名称
                'DataSource': {
                    'S3DataSource': {
                        'S3DataType': 'S3Prefix',
                        'S3Uri': 's3://bucket/train_data',  # 训练数据的S3路径
                        'S3DataDistributionType': 'FullyReplicated'
                    }
                },
                'ContentType': 'csv'
            }
        ],
        'OutputDataConfig': {
            'S3OutputPath': 's3://bucket/output'  # 输出模型的S3路径
        },
        'ResourceConfig': {
            'InstanceType': 'ml.m4.xlarge',  # 实例类型
            'InstanceCount': 1,  # 实例数量
            'VolumeSizeInGB': 10  # 实例磁盘大小
        },
        'StoppingCondition': {
            'MaxRuntimeInSeconds': 3600  # 训练作业运行的最大时间（秒）
        }
    },
    {
        'TrainingJobName': 'job2',
        # ...
    },
    # 添加更多训练作业...
]

# 创建并运行训练作业
for job in training_jobs:
    sagemaker_client.create_training_job(**job)

以上代码示例创建了一个包含两个训练作业的列表。对于每个训练作业，需要提供训练作业的参数，如训练作业名称、训练算法镜像的URI、角色ARN、输入数据配置等。使用create_training_job方法创建并开始运行训练作业。

注意：上述示例仅用于演示目的，实际使用时需要根据自己的需求进行修改和配置。