Lift-and-shift Código Python con el decorador @step - Amazon SageMaker

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 @step decorador es una función que convierte el código de aprendizaje automático (ML) local en uno o más pasos de canalización. Puedes escribir tu función de ML como lo harías 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 SageMaker en proceso añadiendo un @step decorador. A continuación, puedes pasar el resultado de la llamada a la función @step -decorada como paso a Pipelines para crear y ejecutar una canalización. También puedes encadenar una serie de funciones con el @step decorador para crear también una canalización de grafos acíclicos () DAG dirigida de varios pasos.

La configuración para usar el @step decorador es la misma que la configuración para usar el decorador. @remote Puede consultar la documentación de las funciones remotas para obtener detalles sobre cómo configurar el entorno y utilizar un archivo de configuración para establecer los valores predeterminados. Para obtener más información sobre el @step decorador, consulte sagemaker.workflow.function_step.step.

Para ver ejemplos de cuadernos que muestran el uso del decorador, consulte los cuadernos de muestra de @step decorator. @step

En las siguientes secciones se explica cómo puedes anotar tu código ML local con un @step decorador para crear un paso, crear y ejecutar una canalización utilizando el paso y personalizar la experiencia para tu caso de uso.