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.

# Mappatura dei percorsi di storage di formazione gestiti da Amazon SageMaker AI
<a name="model-train-storage"></a>

Questa pagina fornisce un riepilogo di alto livello di come la piattaforma di SageMaker formazione gestisce i percorsi di archiviazione per set di dati di addestramento, artefatti del modello, checkpoint e output tra lo storage nel cloud e i lavori di formazione in intelligenza artificiale. AWS SageMaker In questa guida, imparerai a identificare i percorsi predefiniti impostati dalla piattaforma SageMaker AI e come semplificare i canali di dati con le tue fonti di dati in Amazon Simple Storage Service (Amazon S3), FSx for Lustre e Amazon EFS. Per ulteriori informazioni sulle diverse classi di input e sulle classi di storage dei canali dati, consulta [Configurazione di job di addestramento per accedere ai set di dati](model-access-training-data.md).

## Panoramica su come l'IA mappa i percorsi di archiviazione SageMaker
<a name="model-train-storage-overview"></a>

Il diagramma seguente mostra un esempio di come l' SageMaker IA mappa i percorsi di input e output quando esegui un lavoro di formazione utilizzando la classe SageMaker Python SDK [ ModelTrainer](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_train.html). 

![Un esempio di come l' SageMaker IA mappa i percorsi tra il contenitore del training job e lo storage quando si esegue un training job utilizzando la ModelTrainer classe SageMaker Python SDK e il relativo metodo train.](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/sagemaker-training-storage.png)


SageMaker L'intelligenza artificiale mappa i percorsi di archiviazione tra uno storage (come Amazon S3, Amazon FSx e Amazon EFS) e il contenitore di SageMaker formazione in base ai percorsi e alla modalità di input specificati tramite un oggetto AI. SageMaker ModelTrainer Per ulteriori informazioni su come l' SageMaker IA legge o scrive sui percorsi e sullo scopo dei percorsi, consulta. [SageMaker Variabili di ambiente AI e percorsi predefiniti per le sedi di archiviazione della formazione](model-train-storage-env-var-summary.md)

È possibile utilizzare l'`OutputDataConfig`[CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)API per salvare i risultati dell'addestramento del modello in un bucket S3. Usa l'[ModelArtifacts](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelArtifacts.html)API per trovare il bucket S3 che contiene gli artefatti del tuo modello. Consulta il notebook [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) per un esempio di percorsi di output e di come vengono utilizzati nelle chiamate API.

Per ulteriori informazioni ed esempi su come l' SageMaker IA gestisce l'origine dei dati, le modalità di input e i percorsi locali nelle istanze di addestramento, consulta SageMaker Access Training Data. [https://docs.aws.amazon.com/sagemaker/latest/dg/model-access-training-data.html](https://docs.aws.amazon.com/sagemaker/latest/dg/model-access-training-data.html)

**Topics**
+ [Panoramica su come l'IA mappa i percorsi di archiviazione SageMaker](#model-train-storage-overview)
+ [Output del modello non compresso](model-train-storage-uncompressed.md)
+ [Gestione dei percorsi di archiviazione per diversi tipi di archiviazione locale delle istanze](model-train-storage-tips-considerations.md)
+ [SageMaker Variabili di ambiente AI e percorsi predefiniti per le sedi di archiviazione della formazione](model-train-storage-env-var-summary.md)