As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Mapeamento de caminhos de armazenamento de treinamento gerenciados pela Amazon SageMaker AI
<a name="model-train-storage"></a>

Esta página fornece um resumo de alto nível de como a plataforma de SageMaker treinamento gerencia caminhos de armazenamento para conjuntos de dados de treinamento, artefatos de modelos, pontos de verificação e saídas entre armazenamento em AWS nuvem e trabalhos de treinamento em IA. SageMaker Ao longo deste guia, você aprende a identificar os caminhos padrão definidos pela plataforma de SageMaker IA e como os canais de dados podem ser simplificados com suas fontes de dados no Amazon Simple Storage Service (Amazon S3) FSx , for Lustre e Amazon EFS. Para obter mais informações sobre opções de armazenamento e modos de entrada de canais de dados, consulte [Como configurar trabalhos de treinamento para acessar conjuntos de dados](model-access-training-data.md).

## Visão geral de como a SageMaker IA mapeia os caminhos de armazenamento
<a name="model-train-storage-overview"></a>

[O diagrama a seguir mostra um exemplo de como a SageMaker IA mapeia os caminhos de entrada e saída quando você executa um trabalho de treinamento usando a classe SageMaker Python SDK Estimator.](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator) 

![Um exemplo de como a SageMaker IA mapeia caminhos entre o contêiner do trabalho de treinamento e o armazenamento quando você executa um trabalho de treinamento usando a classe SageMaker Python SDK Estimator e seu método de ajuste.](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/sagemaker-training-storage.png)


SageMaker A IA mapeia os caminhos de armazenamento entre um armazenamento (como Amazon S3 FSx, Amazon e Amazon EFS) e o contêiner de SageMaker treinamento com base nos caminhos e no modo de entrada especificados por meio de um objeto estimador de SageMaker IA. Mais informações sobre como a SageMaker IA lê ou grava nos caminhos e a finalidade dos caminhos, consulte[SageMaker Variáveis de ambiente de IA e os caminhos padrão para locais de armazenamento de treinamento](model-train-storage-env-var-summary.md).

Você pode usar `OutputDataConfig` na [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)API para salvar os resultados do treinamento do modelo em um bucket do S3. Use a [ModelArtifacts](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelArtifacts.html)API para encontrar o bucket do S3 que contém os artefatos do seu modelo. Consulte o caderno [abalone\_build\_train\_deploy](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker-pipelines/tabular/abalone_build_train_deploy/sagemaker-pipelines-preprocess-train-evaluate-batch-transform.ipynb) para ver um exemplo de caminhos de saída e como eles são usados em chamadas de API.

Para obter mais informações e exemplos de como a SageMaker IA gerencia a fonte de dados, os modos de entrada e os caminhos locais em instâncias de SageMaker treinamento, consulte [Acessar dados de treinamento](https://docs.aws.amazon.com/sagemaker/latest/dg/model-access-training-data.html).

**Topics**
+ [Visão geral de como a SageMaker IA mapeia os caminhos de armazenamento](#model-train-storage-overview)
+ [Saída de modelos descompactada](model-train-storage-uncompressed.md)
+ [Gerenciamento de caminhos de armazenamento para tipos diferentes de armazenamento local de instância](model-train-storage-tips-considerations.md)
+ [SageMaker Variáveis de ambiente de IA e os caminhos padrão para locais de armazenamento de treinamento](model-train-storage-env-var-summary.md)