Model TensorFlow używa istniejącego skryptu train.py i statycznych danych treningowych przechowywanych jako pliki TFRecord. Zespół chce dostarczyć te dane do SageMaker z najmniejszym nakładem pracy deweloperskiej. Jaki jest najprostszy sposób dostarczenia danych treningowych do SageMaker bez zmiany kodu treningowego?

Prawidłowa odpowiedź to użycie trybu skryptowego SageMaker z niezmienionym train.py, przesłanie plików TFRecord do zasobnika S3 i skierowanie zadania treningowego SageMaker na tę lokalizację S3. SageMaker w trybie skryptowym automatycznie pobiera dane z S3 do instancji treningowej i udostępnia je skryptowi w lokalnej ścieżce, co pozwala na użycie istniejącego kodu bez modyfikacji. Pozostałe opcje są nieprawidłowe, ponieważ: Przekształcanie TFRecord do protobuf za pomocą Glue/Lambda lub w train.py wymaga dodatkowego nakładu pracy i modyfikacji, co jest sprzeczne z celem minimalizacji wysiłku. TFRecord to już format binarny, który TensorFlow może bezpośrednio przetwarzać, więc konwersja do protobuf jest zbędna. Modyfikacja train.py w celu konwersji TFRecord do protobuf w czasie wykonywania również wymaga zmiany kodu, co jest niezgodne z wymaganiem "bez zmiany kodu treningowego".