本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 启用检查点
<a name="model-checkpoints-enable"></a>

启用检查点功能后， SageMaker AI 会将检查点保存到 Amazon S3，并将您的训练作业与检查点 S3 存储桶同步。检查点 S3 存储桶可以使用 S3 通用存储桶或 S3 目录存储桶。

![\[训练期间写入检查点的架构图。\]](http://docs.amazonaws.cn/sagemaker/latest/dg/images/checkpoints_write.png)


以下示例说明如何在构建 SageMaker AI 估算器时配置检查点路径。要启用检查点，将 `checkpoint_s3_uri` 和 `checkpoint_local_path` 参数添加到估算器。

以下示例模板展示了如何创建通用 SageMaker AI 估算器并启用检查点功能。通过指定 `image_uri` 参数，可以将此模板用于支持的算法。要查找 SageMaker AI 支持检查点 URIs 的算法的 Docker 镜像，请参阅 [Docker 注册表路径和示例](https://docs.amazonaws.cn/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths)代码。您还可以将`estimator`和`Estimator`替换为其他 SageMaker AI 框架的估算器父类和估计器类，例如、、和。`[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)` `[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
)
```

以下两个参数指定检查点的路径：
+ `checkpoint_local_path` – 指定模型定期在训练容器中保存检查点的本地路径。默认路径设置为 `'/opt/ml/checkpoints'`。如果您使用的是其他框架或自带训练容器，请确保训练脚本的检查点配置指定 `'/opt/ml/checkpoints'` 路径。
**注意**  
我们建议指定与默认 SageMaker AI 检查点设置一致的本地路径。`'/opt/ml/checkpoints'`如果您更喜欢指定自己的本地路径，请确保与训练脚本中的检查点保存路径和 SageMaker AI 估算器的`checkpoint_local_path`参数相匹配。
+ `checkpoint_s3_uri` – 实时存储检查点的 S3 存储桶的 URI。您可以指定 S3 通用存储桶或 S3 目录存储桶来存储检查点。有关 S3 目录存储桶的更多信息，请参阅[《Amazon Simple Storage Service 用户指南》](https://docs.amazonaws.cn/AmazonS3/latest/userguide/directory-buckets-overview.html)中的*目录存储桶*。

要查找 A SageMaker I 估算器参数的完整列表，请参阅 Amaz *[on Python SageMaker ](https://sagemaker.readthedocs.io/en/stable)* SD [K 文档中的估算器](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator) API。