기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# SageMaker AI 환경 변수 및 훈련 스토리지 위치의 기본 경로
<a name="model-train-storage-env-var-summary"></a>

다음 표에는 SageMaker 훈련 플랫폼에서 관리하는 훈련 데이터세트, 체크포인트, 모델 아티팩트 및 출력의 입력 및 출력 경로가 요약되어 있습니다.


| SageMaker 훈련 인스턴스의 로컬 경로 | SageMaker AI 환경 변수 | 용도 | 시작 시 S3에서 읽기 | 스팟 재시작 시 S3에서 읽기 | 훈련 중 S3에 쓰기 | 작업 종료 시 S3에 쓰기 | 
| --- | --- | --- | --- | --- | --- | --- | 
|  `/opt/ml/input/data/channel_name`1   |  SM\$1CHANNEL\$1*CHANNEL\$1NAME*  |  SageMaker AI Python SDK [Estimator](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator) 클래스 또는 [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) API 연산을 통해 지정된 입력 채널에서 훈련 데이터를 읽는 경로입니다. SageMaker Python SDK를 사용하여 훈련 스크립트에서 이 경로를 지정하는 방법에 대한 자세한 내용은 [훈련 스크립트 준비](https://sagemaker.readthedocs.io/en/stable/overview.html?highlight=VPC#prepare-a-training-script)를 참조하세요.  | 예 | 예 | 아니요 | 아니요 | 
|  `/opt/ml/output/data`2  | SM\$1OUTPUT\$1DIR |  손실, 정확도, 중급 계층, 가중치, 그라데이션, 바이어스, TensorBoard 호환 출력 등의 출력을 저장하는 경로입니다. 이 경로를 사용하여 원하는 임의의 출력을 저장할 수도 있습니다. 이 경로는 최종 모델 아티팩트 `/opt/ml/model/`를 저장하는 경로와 다르다는 점에 유의하세요.  | 아니요 | 아니요 | 아니요 | 예 | 
|  `/opt/ml/model`3  | SM\$1MODEL\$1DIR |  최종 모델 아티팩트를 저장하는 경로입니다. 이 경로는 SageMaker AI 호스팅에서 [실시간 추론](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)을 위해 모델 아티팩트를 배포하는 경로이기도 합니다.  | 아니요 | 아니요 | 아니요 | 예 | 
|  `/opt/ml/checkpoints`4  | - |  모델 체크포인트(모델 상태)를 저장하여 특정 시점부터 훈련을 재개하고, 예상치 못한 중단 또는 [관리형 스팟 훈련](https://docs.aws.amazon.com/sagemaker/latest/dg/model-managed-spot-training.html) 중단으로부터 복구할 수 있는 경로입니다.  | 예 | 예 | 예 | 아니요 | 
|  `/opt/ml/code`  | SAGEMAKER\$1SUBMIT\$1DIRECTORY |  훈련 스크립트, 추가 라이브러리 및 종속성을 복사하는 경로입니다.  | 예 | 예 | 아니요 | 아니요 | 
|  `/tmp`  | - |  스크래치 공간인 `/tmp`에 대해 읽기 또는 쓰기를 수행합니다.  | 아니요 | 아니요 | 아니요 | 아니요 | 

1 `channel_name`은(는) 훈련 데이터 입력에 사용할 사용자 정의 채널 이름을 지정하는 곳입니다. 각 훈련 작업에는 여러 개의 데이터 입력 채널이 포함될 수 있습니다. 훈련 입력 채널은 훈련 작업당 최대 20개까지 지정할 수 있습니다. 데이터 채널에서 소요되는 데이터 다운로드 시간은 청구 가능 시간까지 계산됩니다. 데이터 입력 경로에 대한 자세한 내용은 [How Amazon SageMaker AI Provides Training Information](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-running-container.html)을 참조하세요. 또한 SageMaker AI가 지원하는 데이터 입력 모드는 3가지 유형, 즉 파일, FastFile, 파이프라인 모드로 나뉩니다. SageMaker AI에서의 훈련에 필요한 데이터 입력 모드에 대해 자세히 알아보려면 [훈련 데이터 액세스](https://docs.aws.amazon.com/sagemaker/latest/dg/model-access-training-data.html)를 참조하세요.

2 SageMaker AI는 훈련 아티팩트를 압축하여 TAR 파일(`tar.gz`)에 기록합니다. 압축 및 업로드 시간은 청구 가능 시간으로 계산됩니다. 자세한 내용은 [How Amazon SageMaker AI Processes Training Output](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-output.html)을 참조하세요.

3 SageMaker AI는 최종 모델 아티팩트를 압축하여 TAR 파일(`tar.gz`)에 기록합니다. 압축 및 업로드 시간은 청구 가능 시간으로 계산됩니다. 자세한 내용은 [How Amazon SageMaker AI Processes Training Output](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-output.html)을 참조하세요.

4 훈련 기간 동안 Amazon S3와 동기화하세요. TAR 파일로 압축하지 않고도 있는 그대로 기록하세요. 자세한 내용은 [Use Checkpoints in Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/model-checkpoints.html)를 참조하세요.