Mevcut bir TensorFlow eğitim betiğiniz (train.py) var ve bu betik, TFRecord dosyaları olarak depolanan statik eğitim verilerini okuyor. Amazon SageMaker üzerinde eğitim için en az kod değişikliğiyle ölçeklenebilir bir depolama çözümüne ihtiyacınız var. Hangi yaklaşım geliştirme çabasını en aza indirir?
Bir cevap seçin
Cevabınızı kontrol etmek için bir seçeneğe dokunun.
Doğru cevap: SageMaker script mode'u kullanın ve train.py'yi değiştirmeden çalıştırın. TFRecord dosyalarını bir Amazon S3 bucket'ına yükleyin ve SageMaker eğitim işini, verileri yeniden biçimlendirmeden bu S3 konumuna yönlendirin..
Neden bu cevap
Doğru cevap, SageMaker'ın S3'ten TFRecord dosyalarını doğrudan okuyabilen TensorFlow eğitim betiklerini desteklemesidir. Bu, mevcut train.py betiğinizde herhangi bir değişiklik yapmanıza gerek kalmadan SageMaker script mode'unu kullanarak ölçeklenebilir depolama ve eğitimden yararlanmanızı sağlar. Diğer seçenekler ya betiği değiştirmeyi (gereksiz yere geliştirme çabasını artırır) ya da verileri yeniden biçimlendirmeyi (yine gereksiz çaba ve potansiyel veri kaybı riski) gerektirir. SageMaker, S3'teki TFRecord'ları yerel bir dosya sistemi gibi bağlayarak, betiğinizi değiştirmeden çalışmasını sağlar.
Sonsuz cevap arayışı olmadan sınavınızı geçin
Bu sınav için her doğrulanmış soruyu ve açıklamayı tek bir yerde edinin ve saatlerce süren hazırlıktan tasarruf edin. 1.000'den fazla sertifika · 20'den fazla dil · ücretsiz başlayın.
Sınavınızı daha hızlı geçin → Kart gerekmez