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. # SageMaker Variabili di ambiente AI e percorsi predefiniti per le sedi di archiviazione della formazione La tabella seguente riassume i percorsi di input e output per i set di dati di addestramento, i checkpoint, gli artefatti del modello e gli output, gestiti dalla piattaforma di formazione. SageMaker | Percorso locale nell'istanza di formazione SageMaker | SageMaker Variabile di ambiente AI | Scopo | Legge da S3 durante l'avvio | Leggi da S3 durante Spot-restart | Scrive su S3 durante l'addestramento | Scrive su S3 quando il processo viene terminato | | --- | --- | --- | --- | --- | --- | --- | | `/opt/ml/input/data/{{channel_name}}`1 | SM\_CHANNEL\_ {{CHANNEL\_NAME}} | Lettura dei dati di addestramento dai canali di input specificati tramite la classe SageMaker AI Python SDK [ ModelTrainer ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html) o l'operazione API. [ CreateTrainingJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) Per ulteriori informazioni su come specificarlo nello script di training utilizzando SageMaker Python SDK, consulta [ Preparare uno script di formazione. ](https://sagemaker.readthedocs.io/en/stable/) | Sì | Sì | No | No | | `/opt/ml/output/data`2 | SM\_OUTPUT\_DIR | Salvataggio di output quali perdita, precisione, livelli intermedi, pesi, gradienti, distorsioni e output. TensorBoard-compatible Puoi anche salvare qualsiasi output arbitrario che desideri utilizzando questo percorso. Nota che questo è un percorso diverso da quello per l’archiviazione dell'artefatto finale del modello `/opt/ml/model/`. | No | No | No | Sì | | `/opt/ml/model`3 | SM\_MODEL\_DIR | Archiviazione dell'artefatto finale del modello. Questo è anche il percorso da cui l'artefatto del modello viene distribuito per l'inferenza in AI Hosting. [ Real-time ](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) SageMaker | No | No | No | Sì | | `/opt/ml/checkpoints`4 | - | Salvataggio dei checkpoint del modello (lo stato del modello) per riprendere l'addestramento da un determinato punto e riprendersi da interruzioni di [Addestramento spot gestite](https://docs.aws.amazon.com/sagemaker/latest/dg/model-managed-spot-training.html) o impreviste. | Sì | Sì | Sì | No | | `/opt/ml/code` | SAGEMAKER\_SUBMIT\_DIRECTORY | Copiare script di addestramento, librerie aggiuntive e dipendenze. | Sì | Sì | No | No | | `/tmp` | - | Lettura o scrittura su `/tmp` come spazio da zero. | No | No | No | No | 1 `channel_name` è il posto in cui specificare i nomi dei canali definiti dall'utente per l'input dei dati di addestramento. Ogni processo di addestramento può contenere diversi canali di immissione dei dati. Puoi specificare fino a un massimo di 20 canali di input di addestramento per ciascun processo di addestramento. Tieni presente che il tempo di download dei dati dai canali di dati viene conteggiato per il tempo fatturabile. Per ulteriori informazioni sui percorsi di immissione dei dati, consulta [ How Amazon SageMaker AI Provides Training Information. ](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-running-container.html) Inoltre, ci sono tre tipi di modalità di immissione dei dati supportate da SageMaker AI: modalità file e pipe. FastFile Per saperne di più sulle modalità di immissione dei dati per la formazione in SageMaker AI, consulta [ Access Training Data](https://docs.aws.amazon.com/sagemaker/latest/dg/model-access-training-data.html). 2 SageMaker L'intelligenza artificiale comprime e scrive gli artefatti di allenamento in file TAR (). `tar.gz` Il tempo di compressione e caricamento viene conteggiato nel tempo fatturabile. Per ulteriori informazioni, consulta [ How Amazon SageMaker AI Processes Training Output. ](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-output.html) 3 SageMaker L'intelligenza artificiale comprime e scrive l'artefatto finale del modello in un file TAR (). `tar.gz` Il tempo di compressione e caricamento viene conteggiato nel tempo fatturabile. Per ulteriori informazioni, consulta [ How Amazon SageMaker AI Processes Training Output. ](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-output.html) 4 Sincronizzazione con Amazon S3 durante l'addestramento. Scrivi così com'è senza comprimerlo in file TAR. Per ulteriori informazioni, consulta [ Use Checkpoints in Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/model-checkpoints.html).