Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Pemetaan jalur penyimpanan pelatihan yang dikelola oleh Amazon SageMaker AI
Halaman ini memberikan ringkasan tingkat tinggi tentang bagaimana platform SageMaker pelatihan mengelola jalur penyimpanan untuk kumpulan data pelatihan, artefak model, pos pemeriksaan, dan output antara penyimpanan AWS cloud dan pekerjaan pelatihan di SageMaker AI. Sepanjang panduan ini, Anda belajar mengidentifikasi jalur default yang ditetapkan oleh platform SageMaker AI dan bagaimana saluran data dapat disederhanakan dengan sumber data Anda di Amazon Simple Storage Service (Amazon S3), FSx for Lustre, dan Amazon EFS. Untuk informasi selengkapnya tentang berbagai mode input saluran data dan opsi penyimpanan, lihatMenyiapkan pekerjaan pelatihan untuk mengakses kumpulan data.
Ikhtisar tentang cara SageMaker AI memetakan jalur penyimpanan
Diagram berikut menunjukkan contoh bagaimana SageMaker AI memetakan jalur input dan output saat Anda menjalankan pekerjaan pelatihan menggunakan ModelTrainer
SageMaker AI memetakan jalur penyimpanan antara penyimpanan (seperti Amazon S3, Amazon FSx, dan Amazon EFS) dan wadah SageMaker pelatihan berdasarkan jalur dan mode input yang ditentukan melalui ModelTrainer objek SageMaker AI. Informasi lebih lanjut tentang bagaimana SageMaker AI membaca atau menulis ke jalur dan tujuan jalur, lihatSageMaker Variabel lingkungan AI dan jalur default untuk lokasi penyimpanan pelatihan.
Anda dapat menggunakan OutputDataConfig di CreateTrainingJob API untuk menyimpan hasil pelatihan model ke bucket S3. Gunakan ModelArtifacts API untuk menemukan bucket S3 yang berisi artefak model Anda. Lihat buku catatan abalone_build_train_deploy untuk contoh jalur keluaran
Untuk informasi selengkapnya dan contoh bagaimana SageMaker AI mengelola sumber data, mode input, dan jalur lokal dalam contoh SageMaker pelatihan, lihat Meng akses Data Pelatihan.
Topik
