本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 啟用檢查點
<a name="model-checkpoints-enable"></a>

啟用檢查點後，SageMaker AI 會將檢查點儲存至 Amazon S3，並將您的訓練任務與檢查點 S3 儲存貯體同步。您可以針對檢查點 S3 儲存貯體使用 S3 一般用途或 S3 目錄儲存貯體。

![訓練期間寫入檢查點的架構圖。](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/checkpoints_write.png)


以下範例示範如何在建構 SageMaker AI 估算器時設定檢查點路徑。若要啟用檢查點，請將 `checkpoint_s3_uri` 和 `checkpoint_local_path` 參數新增至您的估算器。

以下範例範本說明如何建立一般 SageMaker AI 估計器以及如何啟用檢查點。您可以指定 `image_uri` 參數，使用適用於支援之演算法的範本。若要使用 SageMaker AI 所支援的檢查點尋找演算法的 Docker 映像檔 URI，請參閱 [Docker 登錄檔路徑和範例程式碼](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths)。您也可以將 `estimator` 和 `Estimator` 取代為其他 SageMaker AI 架構的估算器父系類別和估算器類別，例如 `[TensorFlow](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/using_tf.html#create-an-estimator)`、`[PyTorch](https://sagemaker.readthedocs.io/en/stable/frameworks/pytorch/using_pytorch.html#create-an-estimator)`、`[MXNet](https://sagemaker.readthedocs.io/en/stable/frameworks/mxnet/using_mxnet.html#create-an-estimator)`、`[HuggingFace](https://huggingface.co/docs/sagemaker/train#create-a-hugging-face-estimator)` 和 `[XGBoost](https://sagemaker.readthedocs.io/en/stable/frameworks/xgboost/using_xgboost.html#create-an-estimator)`。

```
import sagemaker
from sagemaker.estimator import Estimator

bucket=sagemaker.Session().default_bucket()
base_job_name="{{sagemaker-checkpoint-test}}"
checkpoint_in_bucket="{{checkpoints}}"

# The S3 URI to store the checkpoints
checkpoint_s3_bucket="s3://{}/{}/{}".format(bucket, base_job_name, checkpoint_in_bucket)

# The local path where the model will save its checkpoints in the training container
checkpoint_local_path="/opt/ml/checkpoints"

estimator = Estimator(
    ...
    image_uri="{{<ecr_path>}}/{{<algorithm-name>}}:{{<tag>}}" # Specify to use built-in algorithms
    output_path=bucket,
    base_job_name=base_job_name,
    
    # Parameters required to enable checkpointing
    checkpoint_s3_uri=checkpoint_s3_bucket,
    checkpoint_local_path=checkpoint_local_path
)
```

下列兩個參數會指定檢查點的路徑：
+ `checkpoint_local_path` — 指定模型在訓練容器中定期儲存檢查點的本機路徑。預設路徑設定為 `'/opt/ml/checkpoints'`。如果您正在使用其他架構或使用自己的訓練容器，請確定訓練指令碼的檢查點組態已指定路徑為 `'/opt/ml/checkpoints'`。
**注意**  
建議您將本機路徑指定為 `'/opt/ml/checkpoints'`，與預設 SageMaker AI 檢查點設定一致。如果您偏好指定自己的本機路徑，請確定您與訓練指令碼中的檢查點儲存路徑和 SageMaker AI 估算器的 `checkpoint_local_path` 參數相符。
+ `checkpoint_s3_uri` — URI 導向即時儲存檢查點的 S3 儲存貯體。您可以指定 S3 一般用途或 S3 目錄儲存貯體來存放檢查點。如需進一步了解 S3 目錄儲存貯體，請參閱《Amazon Simple Storage Service 使用者指南》**中的[目錄儲存貯體](https://docs.aws.amazon.com/AmazonS3/latest/userguide/directory-buckets-overview.html)。

若要找到 SageMaker AI 估算器參數的完整清單，請參閱 *[Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) 文件*中的[估算器 API](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator)。