自定义容器场景下，如何向AWS SageMaker训练传入配置文件？

方案一：通过SageMaker Inputs自动上传+Hyperparameters指定参数 #

这个方案无需修改自定义容器的原有配置，也不依赖本地额外入口文件，步骤如下：

1. 配置训练输入，自动上传本地配置文件 #

修改estimator.fit()调用，利用TrainingInput让SageMaker自动将EC2本地的配置文件上传到S3，并挂载到训练实例的指定目录：

from sagemaker.inputs import TrainingInput

# 定义输入：指定本地配置文件路径，设置训练实例上的挂载方式
training_input = TrainingInput(
    s3_data=f"file:///home/ubuntu/train_config_mmaction2.py",
    content_type="application/python",
    input_mode="File"
)

2. 通过Hyperparameters传递配置文件路径 #

在PyTorch Estimator初始化时添加hyperparameters参数，将训练实例上的配置文件路径传给train.py——SageMaker会自动把Hyperparameters转为命令行参数格式，匹配mmaction2的调用要求：

estimator = PyTorch(
    role='sagemaker_role',
    image_uri="path_in_ecr",
    instance_count=1,
    instance_type="ml.g4dn.xlarge",
    volume_size=40,
    output_path=f"s3://{bucket}/{prefix_output}/",
    sagemaker_session=sagemaker_session,
    max_run=3600 * 2,
    # 传递配置文件路径作为命令行参数
    hyperparameters={
        "config": "/opt/ml/input/data/config/train_config_mmaction2.py"
    }
)

# 启动训练并传入配置文件输入
estimator.fit(inputs={"config": training_input})

方案优势 #

• 保留原有Dockerfile中SAGEMAKER_PROGRAM的配置，无需修改容器入口逻辑
• 无需依赖本地额外入口文件，仅需传递目标配置文件，SageMaker自动完成上传、挂载流程
• Hyperparameters自动转为train.py的命令行参数，最终训练命令为python tools/train.py --config /opt/ml/input/data/config/train_config_mmaction2.py，完全符合mmaction2的调用规范

备选方案：复用S3存储的配置文件 #

如果配置文件需要重复使用，可以先手动将其上传到S3固定路径，再通过TrainingInput直接指定S3地址，避免每次训练重复上传本地文件：

training_input = TrainingInput(
    s3_data=f"s3://{bucket}/{prefix_config}/train_config_mmaction2.py",
    content_type="application/python",
    input_mode="File"
)

后续训练只需直接调用这个S3路径即可，同样无需依赖本地入口文件。

内容的提问来源于stack exchange，提问作者Ridham Zalavadia