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 SageMaker AI 管理的訓練儲存路徑映射
此頁面提供 SageMaker 訓練平台如何管理 SageMaker AI 中 AWS 雲端儲存和訓練任務之間訓練資料集、模型成品、檢查點和輸出之儲存路徑的高階摘要。在本指南中，您將了解如何識別 SageMaker AI 平台所設定的預設路徑，以及如何使用 Amazon Simple Storage Service (Amazon S3)、FSx for Lustre 和 Amazon EFS 中的資料來源精簡資料通道。如需各種資料通道輸入模式和儲存選項的詳細資訊，請參閱[設定訓練任務以存取資料集](model-access-training-data.md)。
## SageMaker AI 映射儲存路徑方式概觀
下圖顯示使用 SageMaker Python SDK [估算器](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator)類別執行訓練任務時，SageMaker AI 如何映射輸入和輸出路徑的範例。
SageMaker AI 會根據透過 SageMaker AI 估算器物件指定的路徑和輸入模式，在儲存體 (例如 Amazon S3、Amazon FSx 和 Amazon EFS) 與 SageMaker 訓練容器之間映射儲存路徑。如需有關 SageMaker AI 如何從路徑讀取或寫入路徑以及路徑用途的詳細資訊，請參閱[SageMaker AI 環境變數和訓練儲存位置的預設路徑](model-train-storage-env-var-summary.md)。
您可以在 [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) API 中使用 `OutputDataConfig`，將模型訓練的結果儲存至 S3 儲存貯體。使用 [ModelArtifacts](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelArtifacts.html) API 找到包含模型成品的 S3 儲存貯體。如需輸出路徑的範例以及了解如何在 API 呼叫中使用這些輸出路徑，請參閱 [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) 筆記本。
如需 SageMaker AI 如何在 SageMaker 訓練執行個體中管理資料來源、輸入模式和本機路徑的詳細資訊和範例，請參閱[存取訓練資料](https://docs.aws.amazon.com/sagemaker/latest/dg/model-access-training-data.html)。
**Topics**
+ [SageMaker AI 映射儲存路徑方式概觀](#model-train-storage-overview)
+ [未壓縮模型輸出](model-train-storage-uncompressed.md)
+ [管理不同類型執行個體本機儲存體的儲存路徑](model-train-storage-tips-considerations.md)
+ [SageMaker AI 環境變數和訓練儲存位置的預設路徑](model-train-storage-env-var-summary.md)