Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Configuration du mode de saisie des données à l'aide du SDK SageMaker Python
<a name="model-access-training-data-using-pysdk"></a>

SageMaker Le SDK Python fournit la [classe générique Estimator](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator) et ses [variantes pour les frameworks ML destinés](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html) au lancement de tâches de formation. Vous pouvez spécifier l'un des modes de saisie de données lors de la configuration de la `Estimator` classe ou de la `Estimator.fit` méthode SageMaker AI. Les modèles de code suivants montrent les deux manières de spécifier les modes d'entrée.

**Pour spécifier le mode d'entrée à l'aide de la classe Estimateur**

```
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")
)
```

*Pour plus d'informations, consultez la classe [SageMaker.estimator.Estimator](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator) dans la documentation du SDK Python. SageMaker *

**Pour spécifier le mode d’entrée via la méthode `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
    )
)
```

[Pour plus d'informations, consultez la méthode de classe [SageMaker.estimator.fit et la méthode 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)classe dans la *documentation du SDK SageMaker Python*.

**Astuce**  
*Pour en savoir plus sur la façon de configurer Amazon FSx for Lustre ou Amazon EFS avec votre configuration VPC à l'aide des estimateurs du SDK SageMaker Python, consultez la section [Utiliser des systèmes de fichiers comme entrées d'apprentissage dans](https://sagemaker.readthedocs.io/en/stable/overview.html?highlight=VPC#use-file-systems-as-training-inputs) la documentation du SDK AI SageMaker Python.*

**Astuce**  
Les intégrations du mode de saisie de données avec Amazon S3, Amazon EFS et FSx pour Lustre sont des méthodes recommandées pour configurer de manière optimale la source de données conformément aux meilleures pratiques. Vous pouvez améliorer de manière stratégique les performances de chargement des données à l'aide des options de stockage et des modes de saisie gérés par l' SageMaker IA, mais ce n'est pas strictement limité. Vous pouvez écrire votre propre logique de lecture de données directement dans votre conteneur d'entraînement. Par exemple, vous pouvez configurer pour lire à partir d'une source de données différente, écrire votre propre classe de chargeur de données S3 ou utiliser les fonctions de chargement de données de cadres tiers dans votre script d'entraînement. Cependant, vous devez vous assurer de spécifier les bons chemins que l' SageMaker IA peut reconnaître.

**Astuce**  
Si vous utilisez un conteneur de formation personnalisé, assurez-vous d'installer le [kit de SageMaker formation](https://github.com/aws/sagemaker-training-toolkit) qui permet de configurer l'environnement pour les tâches de SageMaker formation. Sinon, vous devez spécifier les variables d'environnement explicitement dans votre fichier Docker. Pous plus d’informations, consultez [Création d’un conteneur avec vos propres algorithmes et modèles](https://docs.aws.amazon.com/sagemaker/latest/dg/docker-containers-create.html)

Pour plus d'informations sur la façon de définir les modes de saisie des données à l'aide du bas niveau SageMaker APIs[Comment Amazon SageMaker AI fournit des informations de formation](your-algorithms-training-algo-running-container.md), consultez l'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)API et le `TrainingInputMode` in [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html).