使用 SageMaker Python SDK 設定資料輸入模式

SageMaker Python SDK 提供一般估算器類別及適用於機器學習 (ML) 架構的變體，用於啟動訓練工作。您可以在設定 SageMaker AI Estimator類別或 Estimator.fit方法時指定其中一個資料輸入模式。下列程式碼範本顯示兩種指定輸入模式的方法。

使用估算器類別指定輸入模式

from sagemaker.estimator import Estimator
from sagemaker.inputs import TrainingInput

estimator = Estimator(
    checkpoint_s3_uri='s3://amzn-s3-demo-bucket/checkpoint-destination/',
    output_path='s3://amzn-s3-demo-bucket/output-path/',
    base_job_name='job-name',
    input_mode='File'  # Available options: File | Pipe | FastFile
    ...
)

# Run the training job
estimator.fit(
    inputs=TrainingInput(s3_data="s3://amzn-s3-demo-bucket/my-data/train")
)

如需更多資訊，請參閱 SageMaker Python SDK 文件內的 sagemaker.estimator.Estimator 類別。

透過 estimator.fit()方法指定輸入模式

from sagemaker.estimator import Estimator
from sagemaker.inputs import TrainingInput

estimator = Estimator(
    checkpoint_s3_uri='s3://amzn-s3-demo-bucket/checkpoint-destination/',
    output_path='s3://amzn-s3-demo-bucket/output-path/',
    base_job_name='job-name',
    ...
)

# Run the training job
estimator.fit(
    inputs=TrainingInput(
        s3_data="s3://amzn-s3-demo-bucket/my-data/train",
        input_mode='File'  # Available options: File | Pipe | FastFile
    )
)

如需更多資訊，請參閱 SageMaker Python SDK 文件內的sagemaker.estimator.Estimator.fit 類別方法以及 sagemaker.inputs.TrainingInput 類別。

提示

若要進一步了解如何使用 SageMaker Python SDK 估算器搭配 VPC 組態設定 Amazon FSx for Lustre 或 Amazon EFS，請參閱 SageMaker AI Python SDK 文件中的使用檔案系統做為訓練輸入。

提示

資料輸入模式與 Amazon S3、Amazon EFS 和 FSx for Lustre 整合，是設定資料來源以獲得最佳實務的最佳建議方式。您可以使用 SageMaker AI 受管儲存選項和輸入模式，以策略方式改善資料載入效能，但沒有嚴格限制。您可以直接在訓練容器中撰寫自己的資料讀取邏輯。例如，您可以設定為從不同的資料來源讀取、撰寫自己的 S3 資料載入器類別，或在訓練指令碼中使用第三方架構的資料載入功能。不過，您必須確定指定 SageMaker AI 可以辨識的正確路徑。

提示

如果您使用自訂訓練容器，請務必安裝 SageMaker 訓練工具組，以協助設定 SageMaker 訓練工作的環境。否則，您必須在 Dockerfile 中明確指定環境變數。如需更多資訊，請參閱使用自有的演算法和模型建立容器。

有關如何使用低階 SageMaker API 設定資料輸入模式的更多相關資訊Amazon SageMaker AI 如何提供訓練資訊，請參閱 ，CreateTrainingJob API 和 AlgorithmSpecification 內的 TrainingInputMode。