Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Utilice un bucket de Amazon S3 para entrada y salida
Configure un bucket de S3 para cargar conjuntos de datos de entrenamiento y guardar los datos de salida de entrenamiento para su trabajo de ajuste de hiperparámetros.
Para usar un bucket de S3 predeterminado
Utilice el siguiente código para especificar el bucket de S3 predeterminado asignado a su SageMaker sesión. prefixes la ruta dentro del depósito donde se SageMaker almacenan los datos del trabajo de entrenamiento actual.
sess = sagemaker.Session() bucket = sess.default_bucket() # Set a default S3 bucket prefix = 'DEMO-automatic-model-tuning-xgboost-dm'
Para usar un bucket de S3 específico (opcional)
Si desea usar un bucket de S3 específico, utilice el siguiente código y sustituya las cadenas por el nombre exacto del bucket de S3. El nombre del bucket debe contener sagemaker y ser único a escala global. El bucket debe estar en la misma región de AWS que la instancia de cuaderno que utilice en este ejemplo.
bucket = "sagemaker-your-preferred-s3-bucket" sess = sagemaker.Session( default_bucket = bucket )
nota
No es necesario incluir el nombre del depósito sagemaker si la IAM función que se utiliza para ejecutar el trabajo de ajuste de hiperparámetros tiene una política que otorgue el S3FullAccess permiso.
Paso siguiente
Descarga, preparación y carga de datos de entrenamiento
