Masz istniejący skrypt treningowy TensorFlow (train.py), który odczytuje statyczne dane treningowe przechowywane jako pliki TFRecord. Potrzebujesz skalowalnego rozwiązania do przechowywania danych do trenowania w Amazon SageMaker przy minimalnej liczbie zmian w kodzie. Które podejście minimalizuje wysiłek programistyczny?
Wybierz odpowiedź
Dotknij opcji, aby sprawdzić swoją odpowiedź.
Poprawna odpowiedź: Użyj trybu skryptowego SageMaker i uruchom train.py bez zmian. Prześlij pliki TFRecord do zasobnika Amazon S3 i wskaż zadaniu treningowemu SageMaker tę lokalizację S3 bez ponownego formatowania danych..
Dlaczego to jest odpowiedź
Poprawna odpowiedź minimalizuje wysiłek programistyczny, ponieważ SageMaker Script Mode natywnie obsługuje odczytywanie danych z Amazon S3 w formacie TFRecord bez konieczności modyfikacji skryptu train.py. Po prostu przesyłasz pliki TFRecord do S3 i wskazujesz tę lokalizację zadaniu treningowemu SageMaker. Pierwsza opcja jest nieprawidłowa, ponieważ SageMaker nie może bezpośrednio odczytywać lokalnych ścieżek systemu plików z instancji treningowej, gdy dane są przechowywane statycznie poza nią. Trzecia i czwarta opcja są nieprawidłowe, ponieważ wymagają modyfikacji skryptu treningowego (train.py) lub ponownego formatowania danych, co zwiększa wysiłek programistyczny i jest sprzeczne z celem minimalizacji zmian w kodzie.
Zdaj egzamin — bez niekończącego się szukania odpowiedzi
Uzyskaj wszystkie zweryfikowane pytania i wyjaśnienia do tego egzaminu w jednym miejscu i zaoszczędź godziny przygotowań. Ponad 1000 certyfikacji · Ponad 20 języków · Zacznij za darmo.
Zdaj egzamin szybciej → Karta nie jest wymagana