SageMaker AI 环境变量和训练存储位置的默认路径 - 亚马逊 SageMaker AI
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

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。

SageMaker AI 环境变量和训练存储位置的默认路径

下表汇总了训练平台管理的训练数据集、检查点、模型工件和输出的输入和输出路径。 SageMaker

SageMaker 训练实例中的本地路径 SageMaker AI 环境变量 用途 在启动期间从 S3 读取 在竞价型重启期间从 S3 读取 训练期间写入 S3 作业终止时写入 S3

/opt/ml/input/data/channel_name1

SM_channel_ CHANNEL_NAME

从 SageMaker AI Python SDK 估算器类或 CreateTrainingJobAPI 操作指定的输入通道中读取训练数据。有关如何使用 SageMaker Python SDK 在训练脚本中指定它的更多信息，请参阅准备训练脚本。

 支持 是 否 否

/opt/ml/output/data2

 SM_OUTPUT_DIR

保存输出，例如损耗、精度、中间层、权重、梯度、偏差和兼容 TensorBoard输出。您也可以使用此路径保存所有您想要的任意输出。请注意，这与存储最终模型构件的路径 /opt/ml/model/ 不同。

 否 否 否 是

/opt/ml/model3

 SM_MODEL_DIR

存储最终的模型构件。这也是从 SageMaker AI Hosting 中部署模型工件以进行实时推理的路径。

 否 否 否 是

/opt/ml/checkpoints4

 -

保存模型检查点（模型状态）以便从某个点恢复训练，并且能够从意外或托管竞价型训练中断中恢复。

 支持 是 是 否

/opt/ml/code

 SAGEMAKER_SUBMIT_DIRECTORY

复制训练脚本、其他库和依赖项。

 支持 是 否 否

/tmp

 -

读取或写入 /tmp 作为暂存空间。

 否 否 否 否

1 channel_name 是为训练数据输入指定用户定义通道名称的地方。每个训练作业可以包含多个数据输入通道。您最多可以为每个训练作业指定 20 个训练输入通道。请注意，从数据通道下载数据的时间计入计费时间。有关数据输入路径的更多信息，请参阅 Amazon SageMaker AI 如何提供训练信息。此外， SageMaker AI 还支持三种类型的数据输入模式：文件模式 FastFile、管道模式和管道模式。要详细了解用于 SageMaker AI 训练的数据输入模式，请参阅访问训练数据。

2 SageMaker AI 压缩训练工件并将其写入 TAR 文件 (tar.gz)。压缩和上传的时间计入计费时间。有关更多信息，请参阅 Amazon A SageMaker I 如何处理训练输出。

3 SageMaker AI 压缩并写入最终的模型工件到 TAR 文件 (tar.gz)。压缩和上传的时间计入计费时间。有关更多信息，请参阅 Amazon A SageMaker I 如何处理训练输出。

4 在训练期间与 Amazon S3 同步。按原样写入，而不压缩为 TAR 文件。有关更多信息，请参阅在 Amazon A SageMaker I 中使用检查点。