Un modello TensorFlow utilizza uno script train.py esistente e dati di training statici archiviati come file TFRecord. Il team desidera fornire questi dati a SageMaker con il minor lavoro di sviluppo possibile. Qual è il modo più semplice per fornire i dati di training a SageMaker senza modificare il codice di training?

L'opzione corretta è la più semplice perché SageMaker Script Mode è progettata per eseguire script di training esistenti con modifiche minime o nulle. Caricando i file TFRecord direttamente su S3 e puntando il job di training a quella posizione, SageMaker gestirà automaticamente il download dei dati nell'istanza di training. Non è necessaria alcuna conversione dei dati poiché TensorFlow supporta nativamente il formato TFRecord. Le altre opzioni sono meno efficienti: Convertire i file TFRecord in protobuf con Glue o Lambda aggiunge un passaggio non necessario e un costo aggiuntivo, poiché TensorFlow può leggere direttamente i TFRecord. Modificare train.py per la conversione in fase di esecuzione va contro l'obiettivo di "minor lavoro di sviluppo possibile" e non è necessario. Puntare a un percorso dati locale senza riformattare i dati TFRecord non è una configurazione standard per SageMaker, che si aspetta i dati da S3 per il training distribuito.