Zuordnung der von Amazon verwalteten Speicherpfade für Schulungen SageMaker - Amazon SageMaker
Überblick darüber, wie Speicherpfade SageMaker zugeordnet werden

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Zuordnung der von Amazon verwalteten Speicherpfade für Schulungen SageMaker

Diese Seite bietet eine allgemeine Zusammenfassung darüber, wie die SageMaker Schulungsplattform Speicherpfade für Trainingsdatensätze, Modellartefakte, Checkpoints und Ausgaben zwischen AWS Cloud-Speicher und Trainingsjobs in verwaltet. SageMaker In diesem Leitfaden erfahren Sie, wie Sie die von der SageMaker Plattform festgelegten Standardpfade identifizieren und erfahren, wie die Datenkanäle mit Ihren Datenquellen in Amazon Simple Storage Service (Amazon S3), FSx für Lustre und Amazon optimiert werden können. EFS Weitere Informationen zu verschiedenen Datenkanal-Eingabemodi und Speicherungsoptionen finden Sie unter Einrichtung von Trainingsjobs für den Zugriff auf Datensätze.

Überblick darüber, wie Speicherpfade SageMaker zugeordnet werden

Das folgende Diagramm zeigt ein Beispiel dafür, wie SageMaker Eingabe- und Ausgabepfade zugeordnet werden, wenn Sie einen Trainingsjob mit der SageMaker Python SDK Estimator-Klasse ausführen.

Ein Beispiel dafür, wie SageMaker Pfade zwischen dem Trainingsjob-Container und dem Speicher zugeordnet werden, wenn Sie einen Trainingsjob mit der SageMaker Python SDK Estimator-Klasse und ihrer Fit-Methode ausführen.

SageMaker ordnet Speicherpfade zwischen einem Speicher (wie Amazon S3, Amazon und Amazon FSxEFS) und dem SageMaker Trainingscontainer auf der Grundlage der Pfade und des Eingabemodus zu, die durch ein SageMaker Estimator-Objekt angegeben wurden. Weitere Informationen darüber, wie aus den Pfaden SageMaker gelesen oder in sie geschrieben wird und welchen Zweck die Pfade haben, finden Sie unterSageMaker Umgebungsvariablen und die Standardpfade für Trainingsspeicherorte.

Sie können OutputDataConfig in verwenden CreateTrainingJobAPI, um die Ergebnisse des Modelltrainings in einem S3-Bucket zu speichern. Verwenden Sie den ModelArtifactsAPI, um den S3-Bucket zu finden, der Ihre Modellartefakte enthält. Ein Beispiel für Ausgabepfade und deren Verwendung in Aufrufen finden Sie im Notizbuch abalone_build_train_deploy. API

Weitere Informationen und Beispiele zur SageMaker Verwaltung von Datenquellen, Eingabemodi und lokalen Pfaden in SageMaker Trainingsinstanzen finden Sie unter Zugriff auf Trainingsdaten.

Themen