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 storage della formazione gestiti da Amazon SageMaker AI
<a name="model-train-storage"></a>

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 dei modelli, checkpoint e output tra l'archiviazione su cloud e i lavori di formazione nell'intelligenza artificiale. AWS SageMaker In questa guida, imparerai a identificare i percorsi predefiniti impostati dalla piattaforma SageMaker AI 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 job di addestramento per accedere ai set di dati](model-access-training-data.md).

## Panoramica di come l' SageMaker IA mappa i percorsi di archiviazione
<a name="model-train-storage-overview"></a>

Il diagramma seguente mostra un esempio di come l' SageMaker IA mappa i percorsi di input e output quando si esegue un processo di formazione utilizzando la classe SageMaker Python [SDK](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator) Estimator. 

![Un esempio di come l' SageMaker intelligenza artificiale mappa i percorsi tra il contenitore dei lavori di formazione e lo storage quando si esegue un processo di formazione utilizzando la classe SageMaker Python SDK Estimator e il relativo metodo fit.](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/sagemaker-training-storage.png)


SageMaker L'intelligenza artificiale mappa i percorsi di archiviazione tra uno storage (come Amazon S3 FSx, Amazon e Amazon EFS) e il contenitore di SageMaker formazione in base ai percorsi e alla modalità di input specificati tramite un oggetto di stima SageMaker AI. Per ulteriori informazioni su come l' SageMaker intelligenza artificiale legge o scrive sui percorsi e sullo scopo dei percorsi, vedi. [SageMaker Variabili di ambiente AI e percorsi predefiniti per l'addestramento dei luoghi di archiviazione](model-train-storage-env-var-summary.md)

Puoi utilizzarli `OutputDataConfig` nell'[CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)API per salvare i risultati dell'addestramento dei modelli in un bucket S3. Utilizza l'[ModelArtifacts](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelArtifacts.html)API per trovare il bucket S3 che contiene gli artefatti del modello. Consulta il notebook [abalone\_build\_train\_deploy](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker-pipelines/tabular/abalone_build_train_deploy/sagemaker-pipelines-preprocess-train-evaluate-batch-transform.ipynb) per un esempio di percorsi di output e di come vengono utilizzati nelle chiamate API.

[Per ulteriori informazioni ed esempi di come l' SageMaker intelligenza artificiale gestisce l'origine dei dati, le modalità di input e i percorsi locali nelle istanze di formazione, consulta SageMaker Access Training Data.](https://docs.aws.amazon.com/sagemaker/latest/dg/model-access-training-data.html)

**Topics**
+ [Panoramica di come l' SageMaker IA mappa i percorsi di archiviazione](#model-train-storage-overview)
+ [Output del modello non compresso](model-train-storage-uncompressed.md)
+ [Gestione dei percorsi di archiviazione per diversi tipi di archiviazione locale delle istanze](model-train-storage-tips-considerations.md)
+ [SageMaker Variabili di ambiente AI e percorsi predefiniti per l'addestramento dei luoghi di archiviazione](model-train-storage-env-var-summary.md)