As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Habilitar pontos de verificação
<a name="model-checkpoints-enable"></a>

Depois de ativar o checkpoint, a SageMaker IA salva os pontos de verificação no Amazon S3 e sincroniza seu trabalho de treinamento com o bucket do checkpoint S3. Você pode usar buckets de uso geral do S3 ou de diretório do S3 para o ponto de verificação do bucket do S3. 

![Diagrama de arquitetura dos pontos de verificação de escrita durante o treinamento.](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/checkpoints_write.png)


O exemplo a seguir mostra como configurar caminhos de pontos de verificação ao criar um objeto de treinamento de SageMaker IA. 

Para ativar o checkpoint, adicione o `checkpoint_config` parâmetro ao seu`ModelTrainer`. O modelo de exemplo a seguir mostra como criar uma SageMaker IA `ModelTrainer` e ativar o checkpoint. Você pode usar esse modelo para qualquer algoritmo compatível especificando o `training_image` parâmetro. Para encontrar URIs de imagem do Docker para algoritmos com pontos de verificação suportados pela SageMaker IA, consulte Caminhos de registro e código de exemplo do [ Docker. ](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths) Na V3, a `ModelTrainer` classe unificada substitui todas as classes de estimadores específicas da estrutura (TensorFlow,,, XGBoost PyTorch, HuggingFace etc.).

```
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"
    )
)
```

O `checkpoint_config` parâmetro aceita um `CheckpointConfig` objeto com os seguintes campos:
+ `local_path`— O caminho local em que o modelo salva os pontos de verificação periodicamente em um contêiner de treinamento. O caminho padrão é definido como `'/opt/ml/checkpoints'`. Se você estiver usando outros frameworks ou trazendo seu próprio contêiner de treinamento, certifique-se de que a configuração do ponto de verificação do seu script de treinamento especifique o caminho para `'/opt/ml/checkpoints'`.
**nota**  
Recomendamos especificar os caminhos locais `'/opt/ml/checkpoints'` para serem consistentes com as configurações padrão do ponto de verificação de SageMaker IA. Se você preferir especificar seu próprio caminho local, certifique-se de combinar o caminho de salvamento do ponto de verificação em seu roteiro de treinamento e o `local_path` em seu`CheckpointConfig`.
+ `s3_uri`: URI para um bucket do S3 em que os pontos de verificação são armazenados em tempo real. Você pode especificar um bucket de uso geral do S3 ou de diretório do S3 para armazenar os pontos de verificação. Para mais informações sobre os buckets do diretório do S3, consulte [Buckets de diretório](https://docs.aws.amazon.com/AmazonS3/latest/userguide/directory-buckets-overview.html) no *Guia do usuário do Amazon Simple Storage Service*. 

Para encontrar uma lista completa dos `ModelTrainer` parâmetros de SageMaker IA, consulte a [ ModelTrainer API ](https://sagemaker.readthedocs.io/en/stable/) na documentação do * [ Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable). *