Jalankan pipa - Amazon SageMaker
Mengambil hasil dari pipeline yang dijalankan secara lokalJalankan pipeline secara lokal

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Jalankan pipa

Halaman berikut menjelaskan cara menjalankan pipeline dengan Amazon SageMaker Pipelines, baik dengan SageMaker sumber daya maupun lokal.

Mulai proses pipeline baru dengan pipeline.start() fungsi seperti yang Anda lakukan untuk menjalankan SageMaker pipeline tradisional. Untuk informasi tentang start() fungsi, lihat SageMaker.workflow.pipeline.pipeline.pipeline.start.

catatan

Langkah yang didefinisikan menggunakan @step dekorator berjalan sebagai pekerjaan pelatihan. Karena itu, waspadai batas-batas berikut:

  • Batas instans dan batas pekerjaan pelatihan di akun Anda. Perbarui batas Anda untuk menghindari masalah pembatasan atau batas sumber daya.

  • Biaya moneter yang terkait dengan setiap langkah pelatihan dalam pipa. Untuk detail selengkapnya, lihat SageMaker Harga Amazon.

Mengambil hasil dari pipeline yang dijalankan secara lokal

Untuk melihat hasil dari setiap langkah dari pipeline run, gunakan execution.result (), seperti yang ditunjukkan pada cuplikan berikut:

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

Pipelines tidak mendukung execution.result() dalam mode lokal.

Anda hanya dapat mengambil hasil untuk satu langkah pada satu waktu. Jika nama langkah dihasilkan oleh SageMaker, Anda dapat mengambil nama langkah dengan memanggil list_steps sebagai berikut:

execution.list_step()

Jalankan pipeline secara lokal

Anda dapat menjalankan pipa dengan langkah-langkah yang @step didekorasi secara lokal seperti yang Anda lakukan untuk langkah-langkah pipa tradisional. Untuk detail tentang proses pipeline mode lokal, lihatJalankan saluran pipa menggunakan mode lokal. Untuk menggunakan mode lokal, berikan definisi pipeline sebagai LocalPipelineSession pengganti aSageMakerSession, seperti yang ditunjukkan pada contoh berikut:

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()