Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Configura il canale di immissione dei dati per utilizzare Amazon FSx for Lustre
<a name="model-access-training-data-fsx"></a>

Scopri come utilizzare Amazon FSx for Lustre come fonte di dati per una maggiore velocità di trasmissione e una formazione più rapida riducendo i tempi di caricamento dei dati.

**Nota**  
Quando utilizzi istanze abilitate per EFA come P4d e P3dn, assicurati di impostare le regole di input e output appropriate nel gruppo di sicurezza. In particolare, l'apertura di queste porte è necessaria per consentire all' SageMaker IA di accedere al FSx file system di Amazon durante il processo di formazione. Per ulteriori informazioni, vedi [Controllo degli accessi al file system con Amazon VPC](https://docs.aws.amazon.com/fsx/latest/LustreGuide/limit-access-security-groups.html).

## Sincronizza Amazon S3 e Amazon for Lustre FSx
<a name="model-access-training-data-fsx-sync-s3"></a>

Per collegare Amazon S3 ad Amazon FSx for Lustre e caricare i set di dati di formazione, procedi come segue.

1. Prepara il tuo set di dati e caricalo in un bucket Amazon S3. Ad esempio, supponiamo che i percorsi Amazon S3 per un set di dati di addestramento e un set di dati di test siano nel formato seguente.

   ```
   s3://amzn-s3-demo-bucket/data/train
   s3://amzn-s3-demo-bucket/data/test
   ```

1. *Per creare un file system FSx for Lustre collegato al bucket Amazon S3 con i dati di addestramento, segui i passaggi indicati in [Collegamento del file system a un bucket Amazon S3 nella Guida per l'utente](https://docs.aws.amazon.com/fsx/latest/LustreGuide/create-dra-linked-data-repo.html) di Amazon for Lustre. FSx * Assicurati di aggiungere un endpoint al tuo VPC che consenta l'accesso ad Amazon S3. Per ulteriori informazioni, consulta [Creazione di un endpoint VPC Amazon S3](train-vpc.md#train-vpc-s3). Quando specifichi il **percorso del repository di dati**, fornisci l'URI del bucket Amazon S3 della cartella che contiene i tuoi set di dati. Ad esempio, in base ai percorsi S3 di esempio riportati nella fase 1, il percorso del repository di dati dovrebbe essere il seguente.

   ```
   s3://amzn-s3-demo-bucket/data
   ```

1. Dopo aver creato il file system FSx for Lustre, controlla le informazioni di configurazione eseguendo i seguenti comandi.

   ```
   aws fsx describe-file-systems && \
   aws fsx describe-data-repository-association
   ```

   Questi comandi restituiscono `FileSystemId`, `MountName`, `FileSystemPath` e `DataRepositoryPath`. Ad esempio, gli output dovrebbero essere simili a quelli riportati di seguito.

   ```
   # Output of aws fsx describe-file-systems
   "FileSystemId": "fs-0123456789abcdef0"
   "MountName": "1234abcd"
   
   # Output of aws fsx describe-data-repository-association
   "FileSystemPath": "/ns1",
   "DataRepositoryPath": "s3://amzn-s3-demo-bucket/data/"
   ```

   Una volta completata la sincronizzazione tra Amazon S3 e Amazon FSx , i set di dati vengono salvati in Amazon FSx nelle seguenti directory.

   ```
   /ns1/train  # synced with s3://amzn-s3-demo-bucket/data/train
   /ns1/test   # synced with s3://amzn-s3-demo-bucket/data/test
   ```

## Imposta il percorso FSx del file system Amazon come canale di input dei dati per la SageMaker formazione
<a name="model-access-training-data-fsx-set-as-input-channel"></a>

Le seguenti procedure illustrano il processo di impostazione del FSx file system Amazon come fonte di dati per i lavori di SageMaker formazione.

------
#### [ Using the SageMaker Python SDK ]

Per impostare correttamente il FSx file system Amazon come fonte di dati, configura le classi di stima SageMaker AI e `FileSystemInput` utilizza le seguenti istruzioni.

1. Configura un oggetto FileSystemInput di classe.

   ```
   from sagemaker.inputs import FileSystemInput
   
   train_fs = FileSystemInput(
       file_system_id="fs-0123456789abcdef0",
       file_system_type="FSxLustre",
       directory_path="/1234abcd/ns1/",
       file_system_access_mode="ro",
   )
   ```
**Suggerimento**  
Quando lo specifichi`directory_path`, assicurati di fornire il percorso del FSx file system Amazon che inizia con`MountName`.

1. Configura uno stimatore SageMaker AI con la configurazione VPC utilizzata per il file system FSx Amazon.

   ```
   from sagemaker.estimator import Estimator
   
   estimator = Estimator(
       ...
       role="your-iam-role-with-access-to-your-fsx",
       subnets=["subnet-id"],  # Should be the same as the subnet used for Amazon FSx
       security_group_ids="security-group-id"
   )
   ```

   Assicurati che il ruolo IAM per il lavoro di SageMaker formazione disponga delle autorizzazioni per accedere e leggere da Amazon FSx.

1. Avvia il processo di formazione eseguendo il metodo estimator.fit con il file system Amazon FSx.

   ```
   estimator.fit(train_fs)
   ```

Per trovare altri esempi di codice, consulta [Usare i file system come input di addestramento](https://sagemaker.readthedocs.io/en/stable/overview.html#use-file-systems-as-training-inputs) nella documentazione di *SageMaker Python SDK*.

------
#### [ Using the SageMaker AI CreateTrainingJob API ]

Come parte della [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)richiesta JSON, configura come segue. `InputDataConfig`

```
"InputDataConfig": [ 
    { 
        "ChannelName": "string",
        "DataSource": { 
            "FileSystemDataSource": { 
                "DirectoryPath": "/1234abcd/ns1/",
                "FileSystemAccessMode": "ro",
                "FileSystemId": "fs-0123456789abcdef0",
                "FileSystemType": "FSxLustre"
            }
        }
    }
],
```

**Suggerimento**  
Quando lo specifichi`DirectoryPath`, assicurati di fornire il percorso del FSx file system Amazon che inizia con`MountName`.

------