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.
Lift-and-shift Código Python con el decorador @step
El decorador @step es una característica que convierte el código de machine learning (ML) local en uno o más pasos de canalización. Puede escribir su función de ML como para cualquier proyecto de ML. Una vez probada localmente o como un trabajo de formación con el @remote decorador, puedes convertir la función en un paso de proceso de SageMaker IA añadiendo un @step decorador. A continuación, puede pasar la salida de la llamada a la función decorada con @step como un paso a Canalizaciones para crear y ejecutar una canalización. También puede encadenar una serie de funciones con el decorador @step para crear también una canalización de gráficos acíclicos dirigidos (DAG) de varios pasos.
La configuración para usar el decorador @step es la misma que la configuración para usar el decorador @remote. Puede consultar la documentación de las funciones remotas para obtener información sobre cómo configurar el entorno y utilizar un archivo de configuración para establecer los valores predeterminados. Para obtener más información sobre el decorador @step, consulte sagemaker.workflow.function_step.step
Para ver ejemplos de cuadernos que demuestran el uso del decorador @step, consulte @step decorator sample notebooks
En las siguientes secciones, se explica cómo anotar el código de ML local con un decorador @steppara crear un paso, crear y ejecutar una canalización utilizando el paso y personalizar la experiencia para su caso de uso.
Temas
