您有一個現有的 TensorFlow 訓練腳本 (train.py)，它會讀取儲存為 TFRecord 檔案的靜態訓練資料。您需要一個可擴展的儲存解決方案，以便在 Amazon SageMaker 上進行訓練，並且程式碼變更最少。哪種方法能最大限度地減少開發工作？

正確答案是將 TFRecord 檔案上傳到 Amazon S3 並使用 SageMaker script mode 指向該 S3 位置。這是因為 SageMaker script mode 旨在讓您在 SageMaker 上執行現有的訓練腳本，而無需進行大量修改。當您將 S3 路徑傳遞給 SageMaker 訓練任務時，SageMaker 會自動將資料下載到訓練實例的本機檔案系統，讓您的 train.py 腳本可以像處理本機檔案一樣處理 TFRecord 檔案，從而最大限度地減少程式碼變更。 其他選項需要更多開發工作： 將 SageMaker 訓練任務指向本機檔案系統路徑不可行，因為 SageMaker 訓練任務在獨立的環境中執行，無法直接存取您本機電腦的檔案系統。 修改 train.py 將 TFRecords 轉換為 protobuf 格式需要修改現有程式碼，這與最小化開發工作的目標相悖。 使用 AWS Glue 或 AWS Lambda 將資料重新格式化為 SageMaker 支援的 schema 也需要額外的開發和資料轉換步驟，增加了複雜性。