Sie haben ein bestehendes TensorFlow-Trainingsskript (train.py), das statische Trainingsdaten liest, die als TFRecord-Dateien gespeichert sind. Sie benötigen eine skalierbare Speicherlösung für das Training auf Amazon SageMaker mit dem geringsten Änderungsaufwand am Code. Welcher Ansatz minimiert den Entwicklungsaufwand?

Die korrekte Antwort minimiert den Entwicklungsaufwand, da der SageMaker-Skriptmodus es ermöglicht, vorhandene Trainingsskripte (wie train.py) mit geringen oder keinen Änderungen auszuführen. SageMaker lädt die Daten automatisch von S3 in das Dateisystem der Trainingsinstanz herunter, sodass das Skript die TFRecord-Dateien wie gewohnt aus dem lokalen Pfad lesen kann. Eine Neuformatierung der Daten ist nicht erforderlich, da TFRecord ein gängiges Format für TensorFlow ist. Die erste Option ist falsch, da SageMaker nicht direkt auf lokale Dateisystempfade auf dem Entwicklungsrechner zugreifen kann; die Daten müssen in einen Cloud-Speicher wie S3 hochgeladen werden. Die dritte und vierte Option erfordern erhebliche Codeänderungen oder Datenumwandlungen, was den Entwicklungsaufwand erhöht und somit nicht die beste Lösung ist.