一个 TensorFlow 模型使用现有的 train.py 脚本和存储为 TFRecord 文件的静态训练数据。团队希望以最少的开发工作将这些数据提供给 SageMaker。在不更改训练代码的情况下，向 SageMaker 提供训练数据的最简单方法是什么？

正确答案是：使用 SageMaker 脚本模式，train.py 保持不变，将 TFRecord 文件上传到 S3 存储桶，并将 SageMaker 训练作业指向该 S3 位置（无需重新格式化）。 SageMaker 脚本模式允许您直接使用现有的训练脚本（例如 train.py），而无需对其进行修改。只要您的脚本能够处理 TFRecord 格式的数据，您就可以将 TFRecord 文件上传到 S3，然后将 SageMaker 训练作业的数据输入指向该 S3 位置。SageMaker 会自动将 S3 中的数据下载到训练实例的本地路径，您的脚本可以像处理本地文件一样处理它们。 其他选项为什么不正确： 将 TFRecord 转换为 protobuf 增加了不必要的开发工作和数据处理步骤，与“最少的开发工作”要求不符。 修改 train.py 以在运行时进行转换也增加了开发工作，并且通常效率较低。 指向本地数据路径而不重新格式化 TFRecord 数据是正确的方向，但关键在于 SageMaker 脚本模式能够直接处理 S3 上的 TFRecord 文件，无需额外转换。