Amazon에서 관리하는 훈련 스토리지 경로 매핑 SageMaker

이 페이지에서는 SageMaker 훈련 플랫폼이 의 AWS 클라우드 스토리지와 훈련 작업 간의 훈련 데이터 세트, 모델 아티팩트, 체크포인트 및 출력의 스토리지 경로를 관리하는 방법에 대한 개략적인 요약을 제공합니다 SageMaker. 이 가이드에서는 SageMaker 플랫폼에서 설정한 기본 경로와 Amazon Simple Storage Service(Amazon S3), FSx for Lustre 및 Amazon 의 데이터 소스로 데이터 채널을 간소화하는 방법을 알아봅니다EFS. 다양한 데이터 채널 입력 모드 및 스토리지 옵션에 대한 자세한 내용은 데이터 세트에 액세스하기 위한 훈련 작업 설정을(를) 참조하세요.

가 스토리지 경로를 SageMaker 매핑하는 방법 개요

다음 다이어그램은 가 SageMaker Python SDK Estimator 클래스를 사용하여 훈련 작업을 실행할 때 입력 및 출력 경로를 SageMaker 매핑하는 방법의 예를 보여줍니다.

SageMaker 는 SageMaker 추정기 객체를 통해 지정된 경로 및 입력 모드를 기반으로 스토리지(예: Amazon S3FSx, Amazon 및 Amazon EFS)와 SageMaker 훈련 컨테이너 간의 스토리지 경로를 매핑합니다. 가 경로에서 SageMaker 읽거나 쓰는 방법과 경로의 목적에 대한 자세한 내용은 섹션을 참조하세요SageMaker 환경 변수 및 훈련 스토리지 위치의 기본 경로.

OutputDataConfig 에서 CreateTrainingJobAPI를 사용하여 모델 훈련 결과를 S3 버킷에 저장할 수 있습니다. ModelArtifacts API 를 사용하여 모델 아티팩트가 포함된 S3 버킷을 찾습니다. 출력 경로의 예제와 이러한 경로가 API 호출에 사용되는 방법은 abalone_build_train_deploy 노트북을 참조하세요.

가 SageMaker 훈련 인스턴스에서 데이터 소스, 입력 모드 및 로컬 경로를 SageMaker 관리하는 방법에 대한 자세한 내용과 예제는 훈련 데이터 액세스를 참조하세요.