Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Mappage des chemins de stockage d’entraînements gérés par Amazon SageMaker AI
Cette page fournit un récapitulatif général de la façon dont la plateforme d’entraînement SageMaker gère les chemins de stockage des jeux de données d’entraînement, les artefacts de modèle, les points de contrôle et les sorties entre le stockage dans le cloud AWS et les tâches d’entraînement dans SageMaker AI. Tout au long de ce guide, vous apprendrez à identifier les chemins par défaut définis par la plateforme SageMaker AI et comment rationaliser les canaux de données avec vos sources de données dans Amazon Simple Storage Service (Amazon S3), FSx pour Lustre et Amazon EFS. Pour plus d’informations sur les différents modes d’entrée de canal de données et les options de stockage, consultez Configuration de tâches d’entraînement pour accéder à des jeux de données.
Présentation du mappage des chemins de stockage par SageMaker AI
Le diagramme suivant montre l’exemple de la façon dont SageMaker AI mappe les chemins d’entrée et de sortie lorsque vous exécutez une tâche d’entraînement à l’aide de la classe Estimator
SageMaker AI mappe les chemins de stockage entre un stockage (comme Amazon S3, Amazon FSx et Amazon EFS) et le conteneur d’entraînement SageMaker en fonction des chemins et du mode d’entrée spécifiés via un objet estimateur SageMaker AI. Pour plus d’informations sur la façon dont SageMaker AI lit les chemins ou écrit dans ceux-ci, et sur leur raison d’être, consultez Variables d’environnement SageMaker AI et chemins par défaut des emplacements de stockage d’entraînement.
Vous pouvez utiliser OutputDataConfig dans l’API CreateTrainingJob pour enregistrer les résultats de l’entraînement des modèles dans un compartiment S3. Utilisez l’API ModelArtifacts pour trouver le compartiment S3 qui contient les artefacts de votre modèle. Consultez le bloc-notes abalone_build_train_deploy
Pour plus d’informations et des exemples sur la façon dont SageMaker AI gère la source de données, les modes d’entrée et les chemins locaux dans les instances d’entraînement SageMaker, consultez Accéder aux données d’entraînement.
Rubriques
