Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
La tabella seguente riassume i percorsi di input e output per set di dati di addestramento, checkpoint, artefatti del modello e output, gestiti dalla piattaforma di formazione. SageMaker
| Percorso locale nell'istanza di formazione SageMaker | SageMaker Variabile di ambiente AI | Scopo | Legge da S3 durante l'avvio | Legge da S3 durante il riavvio tramite SPOT | Scrive su S3 durante l'addestramento | Scrive su S3 quando il processo viene terminato |
|---|---|---|---|---|---|---|
|
|
SM_CHANNEL_ |
Lettura dei dati di addestramento dai canali di input specificati tramite la classe SageMaker AI Python SDK Estimator |
Sì | Sì | No | No |
|
|
SM_OUTPUT_DIR |
Salvataggio di risultati quali perdita, precisione, strati intermedi, pesi, gradienti, distorsioni e output compatibili. TensorBoard Puoi anche salvare qualsiasi output arbitrario che desideri utilizzando questo percorso. Nota che questo è un percorso diverso da quello per l’archiviazione dell'artefatto finale del modello |
No | No | No | Sì |
|
|
SM_MODEL_DIR |
Archiviazione dell'artefatto finale del modello. Questo è anche il percorso da cui viene distribuito l'artefatto del modello per l'inferenza in tempo reale nell'hosting AI. SageMaker |
No | No | No | Sì |
|
|
- |
Salvataggio dei checkpoint del modello (lo stato del modello) per riprendere l'addestramento da un determinato punto e riprendersi da interruzioni di Addestramento spot gestite o impreviste. |
Sì | Sì | Sì | No |
|
|
SAGEMAKER_SUBMIT_DIRECTORY |
Copiare script di addestramento, librerie aggiuntive e dipendenze. |
Sì | Sì | No | No |
|
|
- |
Lettura o scrittura su |
No | No | No | No |
1 channel_name è il posto in cui specificare i nomi dei canali definiti dall'utente per l'input dei dati di addestramento. Ogni processo di addestramento può contenere diversi canali di immissione dei dati. Puoi specificare fino a un massimo di 20 canali di input di addestramento per ciascun processo di addestramento. Tieni presente che il tempo di download dei dati dai canali di dati viene conteggiato per il tempo fatturabile. Per ulteriori informazioni sui percorsi di immissione dei dati, consulta How Amazon SageMaker AI Provides Training Information. Inoltre, esistono tre tipi di modalità di immissione dei dati supportate dall' SageMaker intelligenza artificiale: modalità file e modalità pipe. FastFile Per saperne di più sulle modalità di immissione dei dati per l'addestramento in SageMaker AI, consulta Access Training Data.
2 SageMaker L'IA comprime e scrive gli artefatti di addestramento in file TAR (). tar.gz Il tempo di compressione e caricamento viene conteggiato nel tempo fatturabile. Per ulteriori informazioni, consulta How Amazon SageMaker AI Processes Training Output.
3 L' SageMaker IA comprime e scrive l'artefatto finale del modello in un file TAR (). tar.gz Il tempo di compressione e caricamento viene conteggiato nel tempo fatturabile. Per ulteriori informazioni, consulta How Amazon SageMaker AI Processes Training Output.
4 Sincronizzazione con Amazon S3 durante l'addestramento. Scrivi così com'è senza comprimerlo in file TAR. Per ulteriori informazioni, consulta Usare i Checkpoint in Amazon SageMaker AI.
