一家地理空间公司将每日卫星图像存储在 Amazon S3 中，用于船舶检测。训练数据增量增长，最近一个使用单个 ml.p2.xlarge 实例以文件输入模式运行的 SageMaker 训练作业开始失败，原因是本地存储不足；唯一的改变是数据量增加了。该解决方案必须解决存储问题，同时优化性能并最大限度地降低训练成本。机器学习专家应该做出什么改变？

当 SageMaker 训练作业在文件输入模式下运行时，它会将所有训练数据下载到实例的本地存储。随着数据量的增加，这会导致本地存储不足。将训练配置更改为使用 Pipe 输入模式是最佳解决方案。Pipe 模式通过流式传输数据来解决存储限制，无需将整个数据集下载到本地存储，从而有效利用磁盘空间。这种方法还通过在数据下载和训练之间实现并行化来优化性能，并降低成本，因为您不需要更大的实例来容纳更多存储。 将训练配置更改为使用两个 ml.p2.xlarge 实例或单个 ml.p3.2xlarge 实例可能会增加计算能力，但不能解决本地存储不足的问题。使用 Amazon EFS 而不是 Amazon S3 来存储作业的输入训练数据会增加复杂性和成本，并且可能无法提供与 Pipe 模式相同的性能优势。