Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Code ift-and-shift Python L avec le décorateur @step
Le @step
décorateur est une fonctionnalité qui convertit votre code d'apprentissage automatique (ML) local en une ou plusieurs étapes de pipeline. Vous pouvez écrire votre fonction ML comme vous le feriez pour n'importe quel projet ML. Une fois testée localement ou en tant que tâche de formation à l'aide du @remote
décorateur, vous pouvez convertir la fonction en une étape de SageMaker pipeline en ajoutant un @step
décorateur. Vous pouvez ensuite transmettre la sortie de l'appel de fonction @step
-decorated en tant qu'étape à SageMaker Pipelines pour créer et exécuter un pipeline. Vous pouvez également enchaîner une série de fonctions avec le @step
décorateur pour créer un pipeline de graphes acycliques dirigés (DAG) en plusieurs étapes.
La configuration pour utiliser le @step
décorateur est la même que celle pour utiliser le @remote
décorateur. Vous pouvez consulter la documentation des fonctions à distance pour plus de détails sur la configuration de l'environnement et sur l'utilisation d'un fichier de configuration pour définir les valeurs par défaut. Pour plus d'informations sur le @step
décorateur, consultez sagemaker.workflow.function_step.step
Pour consulter des exemples de carnets illustrant l'utilisation du @step
décorateur, consultez les exemples de carnets de notes @step decorator
Les sections suivantes expliquent comment annoter votre code ML local à l'aide d'un @step
décorateur pour créer une étape, créer et exécuter un pipeline à l'aide de cette étape et personnaliser l'expérience en fonction de votre cas d'utilisation.