Модель TensorFlow использует существующий скрипт train.py и статические обучающие данные, хранящиеся в виде файлов TFRecord. Команда хочет предоставить эти данные SageMaker с наименьшими затратами на разработку. Какой самый простой способ предоставить обучающие данные SageMaker без изменения обучающего кода?

Правильный ответ — использование режима сценария SageMaker с неизмененным train.py, загрузка файлов TFRecord в бакет S3 и указание заданию обучения SageMaker на это расположение S3. Режим сценария SageMaker позволяет запускать существующие скрипты обучения TensorFlow без изменений. SageMaker автоматически монтирует данные из S3 в контейнер обучения, делая их доступными для скрипта train.py по локальному пути. Поскольку train.py уже работает с TFRecord, преобразование данных не требуется, что минимизирует затраты на разработку. Другие варианты неверны, потому что: Преобразование TFRecord в protobuf с помощью Glue или Lambda добавляет ненужную сложность и затраты на разработку. Изменение train.py для преобразования во время выполнения противоречит требованию "без изменения обучающего кода". Указание на локальный путь без переформатирования данных TFRecord не является полным решением, так как данные все равно должны быть доступны в контейнере обучения, а S3 — это стандартный способ их предоставления.