У вас есть существующий скрипт обучения TensorFlow (train.py), который считывает статические обучающие данные, хранящиеся в виде файлов TFRecord. Вам необходимо масштабируемое решение для хранения данных для обучения на Amazon SageMaker с наименьшим количеством изменений в коде. Какой подход минимизирует усилия по разработке?

Правильный ответ — загрузить файлы TFRecord в бакет Amazon S3 и указать заданию обучения SageMaker на это расположение S3. SageMaker Script Mode позволяет запускать существующие скрипты обучения TensorFlow практически без изменений. Он автоматически монтирует данные из S3 в файловую систему контейнера обучения, делая их доступными для скрипта так, как если бы они были локальными файлами. Это минимизирует усилия по разработке, поскольку не требует изменения кода скрипта или переформатирования данных. Первый вариант неверен, потому что SageMaker не может напрямую получить доступ к локальной файловой системе с данными TFRecord во время обучения; данные должны быть доступны из S3. Третий вариант неверен, так как изменение скрипта для работы с форматом protobuf требует значительных изменений кода, что противоречит цели минимизации усилий. Четвертый вариант также неверен, поскольку переформатирование данных с использованием AWS Glue или AWS Lambda является трудоемким процессом и не требуется, так как SageMaker поддерживает TFRecord.