Esecuzione di una pipeline - Amazon SageMaker
Recupera i risultati da una pipeline eseguita localmenteEsegui una pipeline localmente

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Esecuzione di una pipeline

La pagina seguente descrive come eseguire una pipeline con Amazon SageMaker Pipelines, con SageMaker risorse o localmente.

Inizia una nuova esecuzione della pipeline con la pipeline.start() funzione come faresti per un'esecuzione di pipeline tradizionale SageMaker. Per informazioni sulla start() funzione, vedete SageMaker.Workflow.pipeline.pipeline.start.

Nota

Un passaggio definito @step utilizzando il decoratore viene eseguito come processo di formazione. Pertanto, tenete presente i seguenti limiti:

  • Limiti relativi alle istanze e ai lavori di formazione nei tuoi account. Aggiorna i limiti di conseguenza per evitare problemi di limitazione o di risorse.

  • I costi monetari associati a ogni esecuzione di una fase di formazione in corso. Per maggiori dettagli, consulta la pagina SageMaker dei prezzi di Amazon.

Recupera i risultati da una pipeline eseguita localmente

Per visualizzare il risultato di qualsiasi fase dell'esecuzione di una pipeline, utilizzate execution.result (), come mostrato nel seguente frammento:

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

Pipelines non supporta la modalità locale. execution.result()

È possibile recuperare i risultati solo per un passaggio alla volta. Se il nome del passaggio è stato generato da SageMaker, è possibile recuperarlo chiamando list_steps come segue:

execution.list_step()

Esegui una pipeline localmente

Puoi eseguire una pipeline con passaggi @step -decorati localmente come faresti per i passaggi di pipeline tradizionali. Per informazioni dettagliate sull'esecuzione della pipeline in modalità locale, consulta. Esegui le pipeline utilizzando la modalità locale Per utilizzare la modalità locale, fornite una definizione della pipeline LocalPipelineSession anziché SageMakerSession a, come illustrato nell'esempio seguente:

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()