Pemetaan jalur penyimpanan pelatihan yang dikelola oleh Amazon SageMaker

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 Sepanjang panduan ini, Anda belajar mengidentifikasi jalur default yang ditetapkan oleh SageMaker platform dan bagaimana saluran data dapat disederhanakan dengan sumber data Anda di Amazon Simple Storage Service (Amazon S3), untuk FSx 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 bagaimana SageMaker memetakan jalur penyimpanan

Diagram berikut menunjukkan contoh bagaimana SageMaker memetakan jalur input dan output saat Anda menjalankan pekerjaan pelatihan menggunakan kelas SageMaker SDK Estimator Python.

SageMaker memetakan jalur penyimpanan antara penyimpanan (seperti Amazon S3FSx, Amazon, dan AmazonEFS) dan wadah SageMaker pelatihan berdasarkan jalur dan mode input yang ditentukan melalui objek SageMaker estimator. Informasi lebih lanjut tentang bagaimana SageMaker membaca dari atau menulis ke jalur dan tujuan jalan, lihatSageMaker variabel lingkungan dan jalur default untuk lokasi penyimpanan pelatihan.

Anda dapat menggunakannya OutputDataConfig CreateTrainingJobAPIuntuk menyimpan hasil pelatihan model ke ember S3. Gunakan ModelArtifactsAPIuntuk menemukan ember S3 yang berisi artefak model Anda. Lihat notebook abalone_build_train_deploy untuk contoh jalur keluaran dan bagaimana mereka digunakan dalam panggilan. API

Untuk informasi selengkapnya dan contoh cara SageMaker mengelola sumber data, mode input, dan jalur lokal dalam instance SageMaker pelatihan, lihat Mengakses Data Pelatihan.