本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

Amazon 中的檢查點 SageMaker

在 Amazon 中使用檢查點 SageMaker ，在訓練期間儲存機器學習 （ML） 模型的狀態。檢查點是模型的快照，並且可以透過機器學習 (ML) 架構的回呼函式進行設定。您可以使用儲存的檢查點，從上次儲存的檢查點重新啟動訓練任務。

使用檢查點，您可以執行下列操作：

SageMaker 訓練機制在 Amazon EC2執行個體上使用訓練容器，檢查點檔案會儲存在容器的本機目錄 （預設值為 /opt/ml/checkpoints） 下。 SageMaker 提供將檢查點從本機路徑複製到 Amazon S3 的功能，並自動將該目錄中的檢查點與 S3 同步。S3 中的現有檢查點會在任務開始時寫入 SageMaker容器，讓任務能夠從檢查點繼續。任務開始後新增至 S3 資料夾的檢查點不會複製到訓練容器。 SageMaker 也會在訓練期間將新的檢查點從容器寫入 S3。如果在 SageMaker 容器中刪除檢查點，也會在 S3 資料夾中將其刪除。

您可以在 Amazon 中使用檢查點 SageMaker 與 Amazon S3 Express One Zone 儲存類別 （S3 Express One Zone），以更快地存取檢查點。當您啟用檢查點並指定檢查點儲存目的地URI的 S3 時，您可以URI為 S3 一般用途儲存貯體或 S3 目錄儲存貯體中的資料夾提供 S3。與 整合的 S3 目錄儲存貯體 SageMaker 只能使用 Amazon S3 受管金鑰 （SSE-S3） 進行伺服器端加密。目前不支援具有 AWS KMS 金鑰 （SSE-KMS） 的伺服器端加密。如需 S3 Express One Zone 和 S3 目錄儲存貯體的詳細資訊，請參閱什麼是 S3 Express One Zone 。

如果您使用檢查點搭配 SageMaker 受管現場訓練， 會在現場執行個體上 SageMaker 管理模型訓練，並在下一個現場執行個體上繼續訓練任務。透過 SageMaker 受管現場訓練，您可以大幅縮短訓練 ML 模型的計費時間。如需詳細資訊，請參閱Amazon 中的受管 Spot 訓練 SageMaker。

中的架構和演算法檢查點 SageMaker

使用檢查點來儲存建置在 中偏好架構上的 ML 模型快照 SageMaker。

SageMaker 支援檢查點的架構和演算法

SageMaker 支援 AWS 深度學習容器的檢查點和內建演算法子集，而不需要訓練指令碼變更。 會將檢查點 SageMaker 儲存到預設本機路徑'/opt/ml/checkpoints'，並將其複製到 Amazon S3。

如果在受管現場訓練任務中使用不支援檢查點的預先建置演算法， SageMaker 不會允許超過一小時的任務等待時間上限，以限制中斷造成的訓練時間浪費。

針對自訂訓練容器和其他架構

如果您使用自己的訓練容器、訓練指令碼或其他未在上一節中列出的架構，則必須使用回呼或訓練正確設定訓練指令碼APIs，將檢查點儲存到本機路徑 （'/opt/ml/checkpoints'），並從訓練指令碼中的本機路徑載入。 SageMaker 估算器可以與本機路徑同步，並將檢查點儲存到 Amazon S3。

檢查點的考量事項

在 中使用檢查點時，請考慮下列事項 SageMaker。