Ejecución de una canalización - Amazon SageMaker
Recupera los resultados de una canalización ejecutada localmenteEjecuta una canalización de forma local

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.

Ejecución de una canalización

En la siguiente página se describe cómo ejecutar una canalización con Amazon SageMaker Pipelines, ya sea con SageMaker recursos o de forma local.

Inicie una nueva ejecución de canalización con la pipeline.start() función como lo haría con una SageMaker canalización tradicional. Para obtener información sobre la start() función, consulte SageMaker.Workflow.Pipeline.Pipeline.start.

nota

Un paso definido @step con el decorador se ejecuta como un trabajo de formación. Por lo tanto, tenga en cuenta los siguientes límites:

  • Límites de instancias y límites de trabajos de formación en sus cuentas. Actualice sus límites en consecuencia para evitar problemas de limitación o limitación de recursos.

  • Los costes monetarios asociados a cada fase de formación que se esté tramitando. Para obtener más información, consulta los SageMaker precios de Amazon.

Recupera los resultados de una canalización ejecutada localmente

Para ver el resultado de cualquier paso de la ejecución de una canalización, usa execution.result (), como se muestra en el siguiente fragmento:

execution = pipeline.start()
execution.result(step_name="train")
nota

Pipelines no es compatible con el modo local. execution.result()

Solo puede recuperar los resultados paso a paso. Si el nombre del paso lo generó SageMaker, puede recuperarlo llamando de la list_steps siguiente manera:

execution.list_step()

Ejecuta una canalización de forma local

Puede instalar una tubería con escalones @step decorados localmente, como lo haría con los escalones de una tubería tradicional. Para obtener más información sobre la ejecución de canalizaciones en modo local, consulteEjecuta canalizaciones en modo local. Para usar el modo local, proporciona una LocalPipelineSession en lugar de una SageMakerSession a tu definición de canalización, como se muestra en el siguiente ejemplo:

from sagemaker.workflow.function_step import step
from sagemaker.workflow.pipeline import Pipeline
from sagemaker.workflow.pipeline_context import LocalPipelineSession

@step
def train():
    training_data = s3.download(....)
    ...
    return trained_model
    
step_train_result = train()

local_pipeline_session = LocalPipelineSession()

local_pipeline = Pipeline(
    name="<pipeline-name>",
    steps=[step_train_result],
    sagemaker_session=local_pipeline_session # needed for local mode
)

local_pipeline.create(role_arn="role_arn")

# pipeline runs locally
execution = local_pipeline.start()