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.
Mapeo de las rutas de almacenamiento de formación gestionadas por Amazon SageMaker
Esta página proporciona un resumen detallado de cómo la plataforma de SageMaker formación gestiona las rutas de almacenamiento para los conjuntos de datos de entrenamiento, los artefactos de los modelos, los puntos de control y los resultados entre el almacenamiento AWS en la nube y los trabajos de formación. SageMaker A lo largo de esta guía, aprenderá a identificar las rutas predeterminadas establecidas por la SageMaker plataforma y cómo se pueden optimizar los canales de datos con sus fuentes de datos en Amazon Simple Storage Service (Amazon S3)FSx, for Lustre y Amazon. EFS Para obtener más información acerca de los distintos modos de entrada de canales de datos y opciones de almacenamiento, consulte Configuración de trabajos de formación para acceder a conjuntos de datos.
Descripción general de cómo SageMaker mapea las rutas de almacenamiento
El siguiente diagrama muestra un ejemplo de cómo SageMaker mapea las rutas de entrada y salida cuando ejecuta un trabajo de entrenamiento con la clase SageMaker Python SDK Estimator
SageMaker mapea las rutas de almacenamiento entre un almacenamiento (como Amazon S3FSx, Amazon y AmazonEFS) y el contenedor de SageMaker entrenamiento en función de las rutas y el modo de entrada especificados a través de un SageMaker objeto estimador. Para obtener más información sobre cómo SageMaker se lee o escribe en las rutas y el propósito de las rutas, consulte. SageMaker las variables de entorno y las rutas predeterminadas para el entrenamiento: ubicaciones de almacenamiento
Puede utilizarlos OutputDataConfig
CreateTrainingJobAPIpara guardar los resultados del entrenamiento del modelo en un bucket de S3. Úselo ModelArtifactsAPIpara buscar el depósito S3 que contiene los artefactos de su modelo. Consulte el cuaderno abalone_build_train_deploy