Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
SageMaker El modo local de Pipelines es una forma sencilla de probar tus scripts de entrenamiento, procesamiento e inferencia, así como la compatibilidad de los parámetros de la canalización
El modo local de Pipelines aprovecha el modo local de los trabajos de SageMaker IA de
El modo local de la canalización admite actualmente los siguientes tipos de pasos:
-
Paso de modelo (solo con los argumentos de creación de modelo)
A diferencia del servicio administrado de las canalizaciones, que permite ejecutar varios pasos en paralelo mediante la configuración del paralelismo
nota
El modo local de Pipelines no es compatible con algoritmos de SageMaker IA como. XGBoost Si quiere utilizar estos algoritmos, debe utilizarlos en modo script
Para ejecutar una canalización de forma local, los campos de sagemaker_session
asociados a los pasos de la canalización y a la propia canalización deben ser del tipo LocalPipelineSession
. El siguiente ejemplo muestra cómo se puede definir una canalización de SageMaker IA para que se ejecute localmente.
from sagemaker.workflow.pipeline_context import LocalPipelineSession
from sagemaker.pytorch import PyTorch
from sagemaker.workflow.steps import TrainingStep
from sagemaker.workflow.pipeline import Pipeline
local_pipeline_session = LocalPipelineSession()
pytorch_estimator = PyTorch(
sagemaker_session=local_pipeline_session,
role=sagemaker.get_execution_role(),
instance_type="ml.c5.xlarge",
instance_count=1,
framework_version="1.8.0",
py_version="py36",
entry_point="./entry_point.py",
)
step = TrainingStep(
name="MyTrainingStep",
step_args=pytorch_estimator.fit(
inputs=TrainingInput(s3_data="s3://amzn-s3-demo-bucket/my-data/train
"),
)
)
pipeline = Pipeline(
name="MyPipeline",
steps=[step],
sagemaker_session=local_pipeline_session
)
pipeline.create(
role_arn=sagemaker.get_execution_role(),
description="local pipeline example"
)
// pipeline will execute locally
execution = pipeline.start()
steps = execution.list_steps()
training_job_name = steps['PipelineExecutionSteps'][0]['Metadata']['TrainingJob']['Arn']
step_outputs = pipeline_session.sagemaker_client.describe_training_job(TrainingJobName = training_job_name)
Cuando estés preparado para ejecutar la canalización en el servicio de SageMaker Pipelines gestionado, puedes hacerlo sustituyendo LocalPipelineSession
el fragmento de código anterior por PipelineSession
(como se muestra en el siguiente ejemplo de código) y volviendo a ejecutar el código.
from sagemaker.workflow.pipeline_context import PipelineSession
pipeline_session = PipelineSession()