Vous disposez d'un script d'entraînement TensorFlow existant (train.py) qui lit des données d'entraînement statiques stockées sous forme de fichiers TFRecord. Vous avez besoin d'une solution de stockage évolutive pour l'entraînement sur Amazon SageMaker avec le moins de modifications de code possible. Quelle approche minimise l'effort de développement ?

L'option correcte est d'utiliser le mode script de SageMaker et de pointer vers les fichiers TFRecord dans Amazon S3. SageMaker prend en charge la lecture directe des données depuis S3 dans de nombreux formats, y compris TFRecord, sans nécessiter de modifications du script d'entraînement existant (train.py). Cela minimise l'effort de développement car il n'y a pas besoin de reformatage des données ou de modifications du code d'entraînement. L'option de pointer vers un chemin de système de fichiers local est incorrecte car SageMaker exécute les tâches d'entraînement dans un environnement distribué et ne peut pas accéder aux fichiers locaux de votre machine. Modifier train.py pour convertir les TFRecords en Protobuf ou reformater les données avec AWS Glue/Lambda sont des approches qui nécessitent des modifications significatives du code ou des pipelines de données, ce qui va à l'encontre de l'objectif de minimiser l'effort de développement.