SageMaker AI 环境变量和训练存储位置的默认路径 - 亚马逊 SageMaker AI

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

SageMaker AI 环境变量和训练存储位置的默认路径

下表汇总了训练平台管理的训练数据集、检查点、模型工件和输出的输入和输出路径。 SageMaker

SageMaker 训练实例中的本地路径 SageMaker AI 环境变量 用途 在启动期间从 S3 读取 在竞价型重启期间从 S3 读取 训练期间写入 S3 作业终止时写入 S3

/opt/ml/input/data/channel_name1

SM_channel_ CHANNEL_NAME

从 SageMaker AI Python SDK 估算器类或 CreateTrainingJobAPI 操作指定的输入通道中读取训练数据。有关如何使用 SageMaker Python SDK 在训练脚本中指定它的更多信息，请参阅准备训练脚本。

 支持 是 否 否

/opt/ml/output/data2

 SM_OUTPUT_DIR

保存输出，例如损耗、精度、中间层、权重、梯度、偏差和兼容 TensorBoard输出。您也可以使用此路径保存所有您想要的任意输出。请注意，这与存储最终模型构件的路径 /opt/ml/model/ 不同。

 否 否 否 是

/opt/ml/model3

 SM_MODEL_DIR

存储最终的模型构件。这也是从 SageMaker AI Hosting 中部署模型工件以进行实时推理的路径。

 否 否 否 是

/opt/ml/checkpoints4

 -

保存模型检查点（模型状态）以便从某个点恢复训练，并且能够从意外或托管竞价型训练中断中恢复。

 支持 是 是 否

/opt/ml/code

 SAGEMAKER_SUBMIT_DIRECTORY

复制训练脚本、其他库和依赖项。

 支持 是 否 否

/tmp

 -

读取或写入 /tmp 作为暂存空间。

 否 否 否 否

1 channel_name 是为训练数据输入指定用户定义通道名称的地方。每个训练作业可以包含多个数据输入通道。您最多可以为每个训练作业指定 20 个训练输入通道。请注意，从数据通道下载数据的时间计入计费时间。有关数据输入路径的更多信息，请参阅 Amazon SageMaker AI 如何提供训练信息。此外， SageMaker AI 还支持三种类型的数据输入模式：文件模式 FastFile、管道模式和管道模式。要详细了解用于 SageMaker AI 训练的数据输入模式，请参阅访问训练数据。

2 SageMaker AI 压缩训练工件并将其写入 TAR 文件 (tar.gz)。压缩和上传的时间计入计费时间。有关更多信息，请参阅 Amazon A SageMaker I 如何处理训练输出。

3 SageMaker AI 压缩并写入最终的模型工件到 TAR 文件 (tar.gz)。压缩和上传的时间计入计费时间。有关更多信息，请参阅 Amazon A SageMaker I 如何处理训练输出。

4 在训练期间与 Amazon S3 同步。按原样写入，而不压缩为 TAR 文件。有关更多信息，请参阅在 Amazon A SageMaker I 中使用检查点。