Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Configurar el modo de entrada de datos mediante el SDK de SageMaker Python
<a name="model-access-training-data-using-pysdk"></a>

SageMaker El SDK de Python proporciona la [clase genérica Estimator](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator) y sus [variaciones para los marcos de aprendizaje automático](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html) para lanzar trabajos de formación. Puede especificar uno de los modos de entrada de datos al configurar la `Estimator` clase de SageMaker IA o el `Estimator.fit` método. Las siguientes plantillas de código muestran las dos formas de especificar modos de entrada.

**Para especificar el modo de entrada mediante la clase Estimator**

```
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")
)
```

*Para obtener más información, consulte la clase [SageMaker.Estimator.Estimator](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator) en la documentación del SDK de Python. SageMaker *

**Para especificar el modo de entrada mediante el método `estimator.fit()`**

```
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
    )
)
```

[Para obtener más información, consulte el método de clase SageMaker.Estimator.fit y sagemaker.inputs.](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator.fit) [ TrainingInput](https://sagemaker.readthedocs.io/en/stable/api/utility/inputs.html#sagemaker.inputs.TrainingInput)clase en la *documentación del SDK de SageMaker Python*.

**sugerencia**  
Para obtener más información sobre cómo configurar Amazon FSx for Lustre o Amazon EFS con su configuración de VPC mediante los estimadores del SDK de SageMaker Python, [consulte Utilizar sistemas de archivos como entradas de entrenamiento](https://sagemaker.readthedocs.io/en/stable/overview.html?highlight=VPC#use-file-systems-as-training-inputs) en la documentación del SDK de Python para *SageMaker IA*.

**sugerencia**  
Las integraciones del modo de entrada de datos con Amazon S3, Amazon EFS y FSx for Lustre son formas recomendadas de configurar de manera óptima la fuente de datos según las mejores prácticas. Puede mejorar estratégicamente el rendimiento de carga de datos mediante las opciones de almacenamiento gestionado por SageMaker IA y los modos de entrada, pero no está estrictamente limitado. Puede escribir su propia lógica de lectura de datos directamente en su contenedor de entrenamiento. Por ejemplo, puede configurarlo para leer desde un origen de datos distinto, escribir su propia clase de cargador de datos de S3 o usar funciones de carga de datos de marcos de terceros en su script de entrenamiento. Sin embargo, debes asegurarte de especificar las rutas correctas que la SageMaker IA pueda reconocer.

**sugerencia**  
Si utilizas un contenedor de formación personalizado, asegúrate de instalar el [kit de herramientas de SageMaker formación](https://github.com/aws/sagemaker-training-toolkit) que te ayude a configurar el entorno para los trabajos de SageMaker formación. De lo contrario, debe especificar las variables de entorno de forma explícita en su Dockerfile. Para obtener más información, consulte [Crear un contenedor con sus propios algoritmos y modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/docker-containers-create.html).

Para obtener más información sobre cómo configurar los modos de entrada de datos mediante el nivel bajo SageMaker APIs[Cómo proporciona Amazon SageMaker AI la información de formación](your-algorithms-training-algo-running-container.md), consulte la [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)API y la `TrainingInputMode` entrada. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)