Un modelo de TensorFlow utiliza un script train.py existente y datos de entrenamiento estáticos almacenados como archivos TFRecord. El equipo quiere proporcionar estos datos a SageMaker con el menor trabajo de desarrollo. ¿Cuál es la forma más sencilla de suministrar los datos de entrenamiento a SageMaker sin cambiar el código de entrenamiento?

La opción correcta es usar el modo de script de SageMaker con el script train.py sin cambios y apuntar el trabajo de entrenamiento a los archivos TFRecord en S3. SageMaker descarga automáticamente los datos de S3 al contenedor de entrenamiento y los pone a disposición en una ruta de archivo local, permitiendo que el script train.py los lea directamente sin modificaciones. Las otras opciones son incorrectas porque: Convertir TFRecord a protobuf es innecesario y añade complejidad. TFRecord es un formato eficiente para TensorFlow y SageMaker lo maneja directamente. Modificar train.py para convertir datos en tiempo de ejecución o usar rutas de datos locales sin S3 no es la forma más sencilla y contradice el requisito de "menor trabajo de desarrollo" y "sin cambiar el código de entrenamiento".