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.
Mappatura dei percorsi di archiviazione della formazione gestiti da Amazon SageMaker
Questa pagina fornisce un riepilogo di alto livello di come la piattaforma di SageMaker formazione gestisce i percorsi di archiviazione per set di dati di addestramento, artefatti del modello, checkpoint e output tra l'archiviazione su cloud e i lavori di formazione in. AWS SageMaker In questa guida, imparerai a identificare i percorsi predefiniti impostati dalla SageMaker piattaforma e come semplificare i canali di dati con le tue fonti di dati in Amazon Simple Storage Service (Amazon S3), for FSx Lustre e Amazon. EFS Per ulteriori informazioni sulle diverse classi di input e sulle classi di storage dei canali dati, consulta Configurazione di lavori di formazione per accedere ai set di dati.
Panoramica su come mappare i percorsi di archiviazione SageMaker
Il diagramma seguente mostra un esempio di come SageMaker mappa i percorsi di input e output quando si esegue un processo di formazione utilizzando la classe SageMaker SDK Python
SageMaker mappa i percorsi di archiviazione tra uno storage (come Amazon S3FSx, Amazon e AmazonEFS) e il contenitore di SageMaker formazione in base ai percorsi e alla modalità di input specificati tramite un oggetto SageMaker estimatore. Ulteriori informazioni su come SageMaker legge o scrive sui percorsi e sullo scopo dei percorsi, vedi. SageMaker variabili di ambiente e percorsi predefiniti per l'addestramento delle posizioni di archiviazione
È possibile utilizzare OutputDataConfig in CreateTrainingJobAPIper salvare i risultati dell'addestramento del modello in un bucket S3. Usa il ModelArtifactsAPIper trovare il bucket S3 che contiene gli artefatti del modello. Consultate il notebook abalone_build_train_deploy
Argomenti
