Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Verwenden Sie einen Amazon-S3-Bucket für Eingaben und Ausgaben
<a name="automatic-model-tuning-ex-bucket"></a>

Richten Sie einen S3-Bucket ein, um Trainingsdatensätze hochzuladen und Trainingsausgabedaten für Ihren Hyperparameter-Tuning-Job zu speichern.

**Um einen Standard-S3-Bucket zu verwenden**

Verwenden Sie den folgenden Code, um den Standard-S3-Bucket anzugeben, der Ihrer SageMaker AI-Sitzung zugewiesen ist. `prefix`ist der Pfad innerhalb des Buckets, in dem SageMaker AI die Daten für den aktuellen Trainingsjob speichert.

```
sess = sagemaker.Session()
bucket = sess.default_bucket() # Set a default S3 bucket
prefix = 'DEMO-automatic-model-tuning-xgboost-dm'
```

**Um einen bestimmten S3-Bucket zu verwenden (Optional)**

Wenn Sie einen bestimmten S3-Bucket verwenden möchten, verwenden Sie den folgenden Code und ersetzen Sie die Zeichenketten durch den genauen Namen des S3-Buckets. Der Name des Buckets muss **sagemaker** enthalten und global eindeutig sein. Der Bucket muss sich in derselben AWS -Region befinden wie die Notebook-Instance, die Sie für dieses Beispiel verwenden.

```
bucket = "sagemaker-your-preferred-s3-bucket"

sess = sagemaker.Session(
    default_bucket = bucket
)
```

**Anmerkung**  
Der Name des Buckets muss nicht **sagemaker** enthalten, wenn die IAM-Rolle, die Sie zur Ausführung des Hyperparameter-Abstimmungsauftrags verwenden, über eine Richtlinie verfügt, die das Zugriffsrecht `S3FullAccess` erteilt.

## Nächster Schritt
<a name="automatic-model-tuning-ex-next-data"></a>

[Herunterladen, Vorbereiten und Hochladen von Trainingsdaten](automatic-model-tuning-ex-data.md)