Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Abilitazione del checkpointing
<a name="model-checkpoints-enable"></a>

Dopo aver abilitato il checkpoint, l' SageMaker intelligenza artificiale salva i checkpoint su Amazon S3 e sincronizza il processo di formazione con il bucket checkpoint S3. Puoi utilizzare i bucket di directory S3 generici o i bucket di directory S3 per il tuo bucket S3 di checkpoint. 

![\[Diagramma architettonico della scrittura dei checkpoint durante l’addestramento.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/checkpoints_write.png)


L'esempio seguente mostra come configurare i percorsi dei checkpoint quando costruisci uno stimatore AI. SageMaker Per abilitare il checkpoint, aggiungi i parametri `checkpoint_s3_uri` e `checkpoint_local_path` allo strumento di valutazione. 

Il seguente modello di esempio mostra come creare uno stimatore SageMaker AI generico e abilitare il checkpoint. È possibile utilizzare questo modello per gli algoritmi supportati specificando il parametro `image_uri`. [Per trovare l'immagine Docker URIs per gli algoritmi con checkpoint supportato dall' SageMaker intelligenza artificiale, vedi Docker Registry Paths and Example Code.](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths) Puoi anche sostituire `estimator` e utilizzare le classi principali e `Estimator` le classi estimator di altri framework di SageMaker intelligenza artificiale, come,, e. `[TensorFlow](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/using_tf.html#create-an-estimator)` `[PyTorch](https://sagemaker.readthedocs.io/en/stable/frameworks/pytorch/using_pytorch.html#create-an-estimator)` `[MXNet](https://sagemaker.readthedocs.io/en/stable/frameworks/mxnet/using_mxnet.html#create-an-estimator)` `[HuggingFace](https://huggingface.co/docs/sagemaker/train#create-a-hugging-face-estimator)` `[XGBoost](https://sagemaker.readthedocs.io/en/stable/frameworks/xgboost/using_xgboost.html#create-an-estimator)`

```
import sagemaker
from sagemaker.estimator import Estimator

bucket=sagemaker.Session().default_bucket()
base_job_name="sagemaker-checkpoint-test"
checkpoint_in_bucket="checkpoints"

# The S3 URI to store the checkpoints
checkpoint_s3_bucket="s3://{}/{}/{}".format(bucket, base_job_name, checkpoint_in_bucket)

# The local path where the model will save its checkpoints in the training container
checkpoint_local_path="/opt/ml/checkpoints"

estimator = Estimator(
    ...
    image_uri="<ecr_path>/<algorithm-name>:<tag>" # Specify to use built-in algorithms
    output_path=bucket,
    base_job_name=base_job_name,
    
    # Parameters required to enable checkpointing
    checkpoint_s3_uri=checkpoint_s3_bucket,
    checkpoint_local_path=checkpoint_local_path
)
```

I due parametri seguenti specificano i percorsi per il checkpoint:
+ `checkpoint_local_path`— Specifica il percorso locale in cui il modello salva periodicamente i checkpoint in un container di addestramento. Il percorso predefinito è `'/opt/ml/checkpoints'`. Se stai utilizzando altri framework o state utilizzando un container di addestramento personale, assicurati che la configurazione del checkpoint dello script di addestramento specifichi il percorso verso `'/opt/ml/checkpoints'`.
**Nota**  
Ti consigliamo di specificare i percorsi locali in modo che siano coerenti con le impostazioni `'/opt/ml/checkpoints'` di checkpoint AI predefinite. SageMaker Se preferisci specificare il tuo percorso locale, assicurati di abbinare il percorso di salvataggio del checkpoint nello script di addestramento e il `checkpoint_local_path` parametro degli stimatori AI. SageMaker 
+ `checkpoint_s3_uri`— L'URI di un bucket S3 in cui i checkpoint sono memorizzati in tempo reale. È possibile specificare un bucket S3 generico o di directory per archiviare i checkpoint. Per ulteriori informazioni sui bucket di directory S3, consulta [Bucket di directory](https://docs.aws.amazon.com/AmazonS3/latest/userguide/directory-buckets-overview.html) nella *Guida per l’utente di Amazon Simple Storage Service*. 

Per trovare un elenco completo dei parametri di stima SageMaker AI, consulta l'[API Estimator nella documentazione](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator) di Amazon *[ SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable)*.