翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# チェックポイントを有効にする
<a name="model-checkpoints-enable"></a>

チェックポイントを有効にすると、SageMaker AI はチェックポイントを Amazon S3 に保存し、トレーニングジョブをチェックポイント S3 バケットと同期します。チェックポイント S3 バケットには、S3 汎用バケットまたは S3 ディレクトリバケットを使用できます。

![トレーニング中のチェックポイント書き込みのアーキテクチャ図。](http://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/images/checkpoints_write.png)


次の例は、SageMaker AI トレーニングオブジェクトを構築するときにチェックポイントパスを設定する方法を示しています。

チェックポイントを有効にするには、 `checkpoint_config`パラメータを に追加します`ModelTrainer`。次のサンプルテンプレートは、SageMaker AI を作成し`ModelTrainer`、チェックポイントを有効にする方法を示しています。このテンプレートは、 `training_image`パラメータを指定することで、サポートされている任意のアルゴリズムに使用できます。SageMaker AI がサポートするチェックポイントアルゴリズムの Docker イメージ URI を見つけるには、「[Docker Registry Paths and Example Code](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths)」を参照してください。V3 では、統合`ModelTrainer`クラスはすべてのフレームワーク固有の推定器クラス (TensorFlow、PyTorch、HuggingFace、XGBoost など) を置き換えます。

```
from sagemaker.train import ModelTrainer
from sagemaker.train.configs import Compute, CheckpointConfig
from sagemaker.core.helper.session_helper import Session

bucket = Session().default_bucket()
base_job_name = "{{sagemaker-checkpoint-test}}"
checkpoint_in_bucket = "{{checkpoints}}"

# The S3 URI to store the checkpoints
checkpoint_s3_bucket = "s3://{}/{}/{}".format(bucket, base_job_name, checkpoint_in_bucket)

model_trainer = ModelTrainer(
    training_image="{{<ecr_path>}}/{{<algorithm-name>}}:{{<tag>}}",
    role=role,
    compute=Compute(instance_type="ml.m5.xlarge", instance_count=1),
    base_job_name=base_job_name,
    checkpoint_config=CheckpointConfig(
        s3_uri=checkpoint_s3_bucket,
        local_path="/opt/ml/checkpoints"
    )
)
```

`checkpoint_config` パラメータは、次のフィールドを持つ`CheckpointConfig`オブジェクトを受け入れます。
+ `local_path` – モデルがトレーニングコンテナにチェックポイントを定期的に保存するローカルパス。デフォルトでは、パスは `'/opt/ml/checkpoints'` に設定されています。他のフレームワークを使用する場合、または独自のトレーニングコンテナを取り込む場合は、トレーニングスクリプトのチェックポイント設定のパスが `'/opt/ml/checkpoints'` に指定されていることを確認します。
**注記**  
デフォルトの SageMaker AI チェックポイント設定と一致するように、ローカルパスを `'/opt/ml/checkpoints'` に指定することをお勧めします。独自のローカルパスを指定する場合は、トレーニングスクリプトのチェックポイント保存パスと `local_path`の が一致していることを確認してください`CheckpointConfig`。
+ `s3_uri` - チェックポイントをリアルタイムで保存する S3 バケットの URI。S3 汎用バケットまたは S3 ディレクトリバケットを指定して、チェックポイントを保存できます。S3 ディレクトリバケットの詳細については、*Amazon Simple Storage Service ユーザーガイド*の「[ディレクトリバケットの概要](https://docs.aws.amazon.com/AmazonS3/latest/userguide/directory-buckets-overview.html)」を参照してください。

SageMaker AI `ModelTrainer`パラメータの完全なリストについては、Amazon SageMaker Python SDK ドキュメントの [ModelTrainer API](https://sagemaker.readthedocs.io/en/stable/) を参照してください。 *[Amazon SageMaker ](https://sagemaker.readthedocs.io/en/stable) *