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。

Amazon SageMaker AI 提供訓練資訊的方式

本節會說明 SageMaker AI 如何讓 Docker 容器可以使用訓練資訊，如訓練資料、超參數和其他組態資訊等等。

當您將 CreateTrainingJob 請求傳送至 SageMaker AI 來啟動模型訓練時，您需要指定包含訓練演算法之 Docker 映像的 Amazon Elastic Container Registry (Amazon ECR) 路徑。您亦需指定 Amazon Simple Storage Service (Amazon S3) 的位置，其為訓練資料和演算法專屬參數的存放位置。SageMaker AI 提供這項資訊供 Docker 容器使用，讓您的訓練演算法也可以利用。本節說明我們如何讓這項資訊可供 Docker 容器使用。如需建立訓練工作的資訊，請參閱 CreateTrainingJob。有關 SageMaker AI 容器組織資訊的方式的詳細資訊，請參閱 SageMaker 訓練和推論工具組。

超參數

SageMaker AI 讓 CreateTrainingJob 請求中的超參數可以在 /opt/ml/input/config/hyperparameters.json 檔案的 Docker 容器使用。

以下是 hyperparameters.json 中的超參數組態範例，用來指定在 CreateTrainingJob 作業中 XGBoost 的 num_round 和 eta 超參數。

{
    "num_round": "128",
    "eta": "0.001"
}            

如需可用於 SageMaker AI 內建 XGBoost 演算法的超參數完整清單，請參閱 XGBoost 超參數。

您可以調整的超參數，依您正在訓練的演算法而定。如需可用於 SageMaker AI 內建演算法的超參數清單，可以在使用 Amazon SageMaker AI 內建演算法或預訓練模型內的演算法連結下的超參數中找到。

環境變數

SageMaker AI 會在您的容器中設定下列環境變數：

輸入資料組態

SageMaker AI 讓 CreateTrainingJob 請求中的 InputDataConfig 參數資料通道資訊，可在 Docker 容器中的 /opt/ml/input/config/inputdataconfig.json 檔案中取得。

舉例來說，假設您在請求中指定三個資料通道 (train、evaluation 與 validation)，則 SageMaker AI 會提供下列 JSON：

{
  "train" : {"ContentType":  "trainingContentType",
             "TrainingInputMode": "File",
             "S3DistributionType": "FullyReplicated",
             "RecordWrapperType": "None"},
  "evaluation" : {"ContentType":  "evalContentType",
                  "TrainingInputMode": "File",
                  "S3DistributionType": "FullyReplicated",
                  "RecordWrapperType": "None"},
  "validation" : {"TrainingInputMode": "File",
                  "S3DistributionType": "FullyReplicated",
                  "RecordWrapperType": "None"}
} 

訓練資料

CreateTrainingJob 請求中 AlgorithmSpecification 的 TrainingInputMode 參數會指定如何將訓練資料集提供給您的容器。以下是可用的輸入模式：

SageMaker AI 模型訓練支援高效能 S3 Express One Zone 目錄儲存貯體，作為檔案模式、快速檔案模式和管道模式的資料輸入位置。若要使用 S3 Express One Zone，請輸入 S3 Express One Zone 目錄儲存貯體的位置，而非 Amazon S3 一般用途儲存貯體。為 IAM 角色提供 ARN，其中包含必要的存取控制和許可政策。如需詳細資訊，請參閱 AmazonSageMakerFullAccesspolicy。您只能使用 Amazon S3 受管金鑰 (SSE-S3) 在伺服器端加密的目錄儲存貯體中加密 SageMaker AI 輸出資料。目前不支援使用 AWS KMS 金鑰 (SSE-KMS) 進行伺服器端加密，以將 SageMaker AI 輸出資料儲存在目錄儲存貯體中。如需詳細資訊，請參閱 S3 Express One Zone。

分散式訓練組態

如要使用多個容器執行分散式訓練，SageMaker AI 會在 /opt/ml/input/config/resourceconfig.json 檔案中提供所有容器的資訊。

此 JSON 檔案包含所有容器的資訊，讓您可以啟用容器間的通訊。且 File 與 Pipe 模式演算法皆可透過 SageMaker AI 使用此檔案。該檔案提供下列資訊：

以下是三節點叢集的第 1 節點範例檔案：

{
    "current_host": "algo-1",
    "hosts": ["algo-1","algo-2","algo-3"],
    "network_interface_name":"eth1"
}