As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
A tabela a seguir resume os caminhos de entrada e saída para conjuntos de dados de treinamento, pontos de verificação, artefatos de modelo e saídas, gerenciados pela plataforma de treinamento. SageMaker
| Caminho local na instância SageMaker de treinamento | SageMaker Variável de ambiente de IA | Finalidade | Leia no S3 durante o início | Leia no S3 durante a reinicialização do Spot | Grava no S3 durante o treinamento | Grava no S3 quando o trabalho é encerrado |
|---|---|---|---|---|---|---|
|
|
SM_CHANNEL_ |
Ler dados de treinamento dos canais de entrada especificados por meio da classe SageMaker AI Python SDK Estimator ou |
Sim | Sim | Não | Não |
|
|
SM_OUTPUT_DIR |
Salvando saídas como perda, precisão, camadas intermediárias, pesos, gradientes, polarização e TensorBoard saídas compatíveis. Você também pode salvar qualquer saída arbitrária que desejar usando esse caminho. Observe que esse é um caminho diferente daquele usado para armazenar o artefato do modelo final |
Não | Não | Não | Sim |
|
|
SM_MODEL_DIR |
Armazenando o artefato do modelo final. Esse também é o caminho a partir do qual o artefato do modelo é implantado para inferência em tempo real na SageMaker hospedagem de IA. |
Não | Não | Não | Sim |
|
|
- |
Salvar os pontos de verificação do modelo (o estado do modelo) para retomar o treinamento a partir de um determinado ponto e se recuperar de interrupções inesperadas ou de interrupções no Treinamento de Spot Gerenciado. |
Sim | Sim | Sim | Não |
|
|
SAGEMAKER_SUBMIT_DIRECTORY |
Copiar scripts de treinamento, bibliotecas adicionais e dependências. |
Sim | Sim | Não | Não |
|
|
- |
Ler ou escrever em |
Não | Não | Não | Não |
1 channel_name é o local para especificar nomes de canais definidos pelo usuário para entradas de dados de treinamento. Cada trabalho de treinamento pode conter vários canais de entrada de dados. É possível especificar até 20 canais de entrada de treinamento por tarefa de treinamento. Observe que o tempo de download dos dados dos canais de dados é contabilizado no tempo faturável. Para obter mais informações sobre caminhos de entrada de dados, consulte Como a Amazon SageMaker AI fornece informações de treinamento. Além disso, há três tipos de modos de entrada de dados que a SageMaker IA suporta: modo de arquivo e canal. FastFile Para saber mais sobre os modos de entrada de dados para treinamento em SageMaker IA, consulte Acessar dados de treinamento.
2 A SageMaker IA comprime e grava artefatos de treinamento em arquivos TAR ()tar.gz. O tempo de compactação e upload é contabilizado no tempo faturável. Para obter mais informações, consulte Como a Amazon SageMaker AI processa os resultados do treinamento.
3 O SageMaker AI comprime e grava o artefato do modelo final em um arquivo TAR ()tar.gz. O tempo de compactação e upload é contabilizado no tempo faturável. Para obter mais informações, consulte Como a Amazon SageMaker AI processa os resultados do treinamento.
4 Sincronize com o Amazon S3 durante o treinamento. Escreva como está sem compactar em arquivos TAR. Para obter mais informações, consulte Usar pontos de verificação na Amazon SageMaker AI.
