aws / aws/sagemaker-python-sdk
Feature support pipeline name in base_job_name at ModelTrainer
- Vorherrschende Sprache
- Python
- Sterne
- 2.3k
- Forks
- 1.3k
- Ø Merge
- 1 T. 22 Std.
- Gemergte PRs (30 T.)
- 35
Beschreibung
**Describe the feature you'd like**
i want to store the all files for jobs in a pattern like pipeline_name/job_name at this moment this is not possible for ModelTrainer class because train() function will call _create_training_job_args function which creates a s3 path like this:
s3://mybucket/my_pipeline_name/my_job_name/my-pipeline-name/my-job-name-20260318100943/input/sm_drivers/
or if the length of the base_job_name is longer then 63 the path could look like this:
s3://mybucket/my_pipeline_name/my_job_name/my-pipeline-name-extra-long-name/my-job-/input/sm_drivers/
**How would this feature be used? Please describe.**
This feature should be designed to help to store ModelTrainer files more consistently.
One suggestion for an S3 path would be {self.base_job_name}/input/20260318103152/sm_drivers/
**Additional context**
The Following Screenshot shows which code needs to be modified.
Beitragsleitfaden
Rechercherichtung
Beginnen Sie in ModelTrainer.train() und verfolgen Sie den Aufruf von _create_training_job_args(), wo das Issue zeigt, dass der S3-Pfad zusammengesetzt wird. Überprüfen Sie, wie die Länge von base_job_name behandelt wird, und identifizieren Sie zugehörige Tests oder Einstiegspunkte für die Pfaderstellung. Als erledigt gilt die Aufgabe, wenn ModelTrainer Jobdateien nach dem angeforderten konsistenten Muster speichert, ohne bei langen Namen fehlerhafte Pfade zu erzeugen.
Vom Indexierungsmodell aus dem Issue-Text verfasst.
Bewertung
- Tech-Stack
- aws, python
- Bereich
- cloud, machine-learning
- Issue-Typ
- Feature
- Schwierigkeit
- 4/5
- Geschätzter Aufwand
- 3-5 Tage
- Aktivitätsstatus
- Veraltet
- Klarheit
- Größtenteils klar
- Anfängerfreundlichkeit
- 48/100