本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# SageMaker AI 環境變數和訓練儲存位置的預設路徑
<a name="model-train-storage-env-var-summary"></a>

下表摘要說明由 SageMaker 訓練平台管理的訓練資料集、檢查點、模型成品和輸出的輸入和輸出路徑。


| SageMaker 訓練執行個體中的本機路徑 | SageMaker AI 環境變數 | 用途 | 啟動期間從 S3 讀取 | 重新啟動 Spot 期間從 S3 讀取 | 在訓練期間寫入 S3 | 終止任務時寫入 S3 | 
| --- | --- | --- | --- | --- | --- | --- | 
|  `/opt/ml/input/data/channel_name`1   |  SM\$1CHANNEL\$1*CHANNEL\$1NAME*  |  從透過 SageMaker AI Python SDK [估算器](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.Estimator)類別或 [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) API 作業所指定的輸入通道讀取訓練資料。如需如何使用 SageMaker Python SDK 在訓練指令碼中指定的詳細資訊，請參閱[準備訓練指令碼](https://sagemaker.readthedocs.io/en/stable/overview.html?highlight=VPC#prepare-a-training-script)。  | 是 | 是 | 否 | 否 | 
|  `/opt/ml/output/data`2  | SM\$1OUTPUT\$1DIR |  儲存輸出，例如損失、準確度、中間層、權重、梯度、偏差和 Tensorboard 相容輸出。您也可以儲存您想要使用此路徑的任何任意輸出。請注意，這個路徑與儲存最終模型成品 `/opt/ml/model/` 的路徑不同。  | 否 | 否 | 否 | 是 | 
|  `/opt/ml/model`3  | SM\$1MODEL\$1DIR |  儲存最終模型成品。這也是在 SageMaker AI 託管中部署模型成品進行[即時推論](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)的路徑。  | 否 | 否 | 否 | 是 | 
|  `/opt/ml/checkpoints`4  | - |  儲存模型檢查點 (模型的狀態) 以從特定時間點恢復訓練，並從非預期或[受管 Spot 訓練](https://docs.aws.amazon.com/sagemaker/latest/dg/model-managed-spot-training.html)中斷中復原。  | 是 | 是 | 是 | 否 | 
|  `/opt/ml/code`  | SAGEMAKER\$1SUBMIT\$1DIRECTORY |  複製訓練指令碼、其他程式庫和相依性。  | 是 | 是 | 否 | 否 | 
|  `/tmp`  | - |  讀取或寫入 `/tmp` 做為暫存空間。  | 否 | 否 | 否 | 否 | 

1 `channel_name` 是指定訓練資料輸入之使用者定義通道名稱的位置。每個訓練任務都可以包含多個資料輸入通道。您可以指定每個訓練任務最多不超過 20 個訓練輸入通道。請注意，從資料通道下載資料的時間將計入應計費時間。如需資料輸入路徑的詳細資訊，請參閱 [Amazon SageMaker AI 如何提供訓練資訊](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-running-container.html)。此外，SageMaker AI 支援的資料輸入模式有三種類型：檔案、FastFile 和管道模式。若要進一步了解 SageMaker AI 中訓練的資料輸入模式，請參閱[存取訓練資料](https://docs.aws.amazon.com/sagemaker/latest/dg/model-access-training-data.html)。

2 SageMaker AI 會將訓練成品壓縮並寫入 TAR 檔案 (`tar.gz`)。壓縮和上傳時間會計入應計費時間。如需詳細資訊，請參閱 [Amazon SageMaker AI 如何處理訓練輸出](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-output.html)。

3 SageMaker AI 會將最終模型成品壓縮並寫入 TAR 檔案 (`tar.gz`)。壓縮和上傳時間會計入應計費時間。如需詳細資訊，請參閱 [Amazon SageMaker AI 如何處理訓練輸出](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-output.html)。

4 在訓練期間與 Amazon S3 同步。不進行壓縮，按照現狀寫入 TAR 檔案。如需詳細資訊，請參閱[在 Amazon SageMaker AI 中使用檢查點](https://docs.aws.amazon.com/sagemaker/latest/dg/model-checkpoints.html)。