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. # Gestione dei percorsi di archiviazione per diversi tipi di archiviazione locale delle istanze Considerate quanto segue quando impostate i percorsi di archiviazione per i lavori di formazione in AI. SageMaker + Se desideri memorizzare gli artefatti didattici per l’addestramento distribuito nella directory `/opt/ml/output/data`, devi aggiungere correttamente le sottodirectory o utilizzare nomi di file univoci per gli artefatti tramite la definizione del modello o lo script di addestramento. Se le sottodirectory e i nomi dei file non sono configurati correttamente, tutti gli addetti all’addestramento distribuito potrebbero scrivere output con lo stesso nome di file nello stesso percorso di output in Amazon S3. + Se utilizzi un contenitore di formazione personalizzato, assicurati di installare il [SageMaker Training Toolkit](https://github.com/aws/sagemaker-training-toolkit) che aiuta a configurare l'ambiente per i lavori di SageMaker formazione. Altrimenti, è necessario specificare le variabili di ambiente in modo esplicito nel Dockerfile. Per ulteriori informazioni, consulta [Creare un container con algoritmi e modelli personalizzati](https://docs.aws.amazon.com/sagemaker/latest/dg/docker-containers-create.html). + Quando si utilizza un'istanza ML con [volumi NVMe SSD](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/ssd-instance-store.html#nvme-ssd-volumes), l' SageMaker IA non fornisce lo storage Amazon EBS gp2. Lo storage disponibile è fissato alla capacità di storage dell'istanza di tipo « NVMe-type». SageMaker L'intelligenza artificiale configura percorsi di archiviazione per l'addestramento di set di dati, checkpoint, artefatti del modello e output per utilizzare l'intera capacità di archiviazione dell'istanza. Ad esempio, le famiglie di istanze ML con storage di istanze di tipo « NVMe-type» includono, e. `ml.p4d` `ml.g4dn` `ml.g5` Quando si utilizza un'istanza ML con l'opzione di archiviazione solo EBS e senza archiviazione di istanze, è necessario definire la dimensione del volume EBS tramite il `volume_size` parametro nella classe SageMaker AI estimator (o `VolumeSizeInGB` se si utilizza l'API). `ResourceConfig` Ad esempio, le famiglie di istanze ML che utilizzano volumi EBS includono `ml.c5` e `ml.p2`. Per cercare i tipi di istanze e i relativi tipi e volumi di storage delle istanze, consulta la sezione [Tipi di istanze Amazon EC2](https://aws.amazon.com/ec2/instance-types/). + I percorsi predefiniti per i lavori di SageMaker formazione sono montati su volumi Amazon EBS o su volumi NVMe SSD dell'istanza ML. Quando adattate lo script di formazione all' SageMaker intelligenza artificiale, assicuratevi di utilizzare i percorsi predefiniti elencati nell'argomento precedente. [SageMaker Variabili di ambiente AI e percorsi predefiniti per l'addestramento dei luoghi di archiviazione](model-train-storage-env-var-summary.md) Si consiglia di utilizzare la directory `/tmp` come spazio di memoria virtuale per memorizzare temporaneamente oggetti di grandi dimensioni durante l'addestramento. Ciò significa che non è necessario utilizzare directory montate su un piccolo spazio su disco allocato al sistema, come `/user` e`/home`, per evitare out-of-space errori. Per saperne di più, consulta il blog sull'apprendimento AWS automatico [Scegli la migliore fonte di dati per il tuo lavoro di SageMaker formazione su Amazon](https://aws.amazon.com/blogs/machine-learning/choose-the-best-data-source-for-your-amazon-sagemaker-training-job/), che illustra ulteriormente i case study e i benchmark prestazionali delle fonti di dati e delle modalità di input.