Amazon SageMaker AI によって管理されるトレーニングストレージパスのマッピング

このページでは、SageMaker トレーニングプラットフォームがトレーニングデータセット、モデルアーティファクト、チェックポイント、および AWS クラウドストレージと SageMaker AI のトレーニングジョブ間の出力のストレージパスを管理する方法の概要を説明します。このガイド全体を通して、SageMaker AI プラットフォームが設定したデフォルトパスを特定する方法と、Amazon Simple Storage Service (Amazon S3)、FSx for Lustre、および Amazon EFS のデータソースを使用してデータチャネルを効率化する方法について学習します。さまざまなデータチャネル入力モードとストレージオプションの詳細については、「データセットにアクセスするようにトレーニングジョブを設定する」を参照してください。

SageMaker AI がストレージパスをマッピングする仕組みの概要

以下の図は、SageMaker Python SDK Estimator クラスを使用してトレーニングジョブを実行するときに、SageMaker AI が入出力パスをマッピングする例です。

SageMaker AI は、SageMaker AI 推定器オブジェクトを介して指定されたパスと入力モードに基づいて、ストレージ (Amazon S3、Amazon FSx、Amazon EFS など) と SageMaker トレーニングコンテナ間のストレージパスをマッピングします。SageMaker AI がパスを読み取りまたは書き込む方法とパスの目的の詳細については、「SageMaker AI の環境変数とトレーニングストレージロケーションのデフォルトのパス」を参照してください。

CreateTrainingJob API で OutputDataConfig を使用すると、モデルトレーニングの結果を S3 バケットに保存できます。ModelArtifacts API を使用して、モデルアーティファクトが含まれている S3 バケットを検索します。出力パスと API コールでの使用方法の例については、abalone_build_train_deploy ノートブックを参照してください。

SageMaker トレーニングインスタンスのデータソース、入力モード、およびローカルパスを SageMaker AI が管理する方法の詳細と例については、「Access Training Data」を参照してください。