Un modèle TensorFlow utilise un script train.py existant et des données d'entraînement statiques stockées sous forme de fichiers TFRecord. L'équipe souhaite fournir ces données à SageMaker avec le moins de travail de développement possible. Quelle est la manière la plus simple de fournir les données d'entraînement à SageMaker sans modifier le code d'entraînement ?

La bonne réponse est d'utiliser le mode script SageMaker avec train.py inchangé, de télécharger les fichiers TFRecord dans un compartiment S3 et de diriger la tâche d'entraînement SageMaker vers cet emplacement S3. SageMaker prend en charge la lecture directe des fichiers TFRecord depuis S3 sans nécessiter de conversion ou de modification du script d'entraînement existant. Le mode script permet d'exécuter votre script d'entraînement TensorFlow tel quel. Les autres options sont incorrectes car elles impliquent des étapes de conversion inutiles ou des modifications du code. Convertir TFRecord en protobuf (options 1 et 2) est inutile car SageMaker et TensorFlow peuvent lire directement les TFRecords. Diriger vers un chemin de données local (option 2 et 3) n'est pas la meilleure pratique pour SageMaker, qui est conçu pour travailler avec des données stockées dans S3 pour l'évolutivité et la persistance.