翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

パイプラインステップの選択的実行

Pipelines を使用してワークフローを作成し、ML トレーニングステップのオーケストレーションを行いながら、複数の実験フェーズを実行する必要がある場合があります。毎回完全なパイプラインを実行する代わりに、特定のステップのみを繰り返す必要がある場合があります。Pipelines を使用すると、パイプラインステップを選択的に実行できます。これにより、ML トレーニングを最適化できます。選択的実行は、以下のシナリオで役に立ちます。

選択的実行を使用すると、パイプラインの有向非巡回グラフ (DAG) で接続されている限り、任意のステップのサブセットを実行できます。次の DAG は、パイプラインワークフローの例を説明しています。

選択的実行では、AbaloneTrain ステップと AbaloneEval ステップを選択できます。ただしこれらのステップは DAG 内で接続されていないため、AbaloneTrain ステップと AbaloneMSECond ステップのみを選択して選択的実行を実行することはできません。選択的実行は、ワークフロー内の選択されていないステップについて、ステップを再計算するのではなく、リファレンスパイプライン実行からの出力を再利用します。また、選択したステップの下流にある選択されていないステップは、選択的実行では実行されません。

パイプラインで中間ステップのサブセットを実行する場合、ステップが前のステップに依存している場合があります。SageMaker AI には、これらの依存関係をリソース化するためのリファレンスパイプラインの実行が必要です。例えば、AbaloneTrain ステップと AbaloneEval ステップを実行する場合は、AbaloneProcess ステップからの出力が必要です。リファレンス実行 ARN を指定するか、SageMaker AI にデフォルトの動作である最新のパイプライン実行を使用するように指示できます。リファレンス実行がある場合は、リファレンス実行からランタイムパラメータを構築し、上書きして選択的実行に提供することもできます。詳細については、「リファレンス実行からランタイムパラメータ値を再使用する」を参照してください。

詳細には、SelectiveExecutionConfig を使用して選択的実行パイプライン実行の設定を指定します。参照パイプライン実行の ARN を含めると ( source_pipeline_execution_arn引数を指定）、SageMaker AI は指定したパイプライン実行の前のステップの依存関係を使用します。ARN を含めず、最新のパイプライン実行が存在する場合、SageMaker AI はデフォルトでその ARN をリファレンスとして使用します。ARN を含めず、SageMaker AI で最新のパイプライン実行を使用しない場合は、 reference_latest_execution を に設定しますFalse。SageMaker AI が最終的にリファレンスとして使用するパイプライン実行は、最新またはユーザーが指定したかどうかにかかわらず、 Successまたは Failed状態である必要があります。

次の表は、SageMaker AI がリファレンス実行を選択する方法をまとめたものです。

選択的実行設定の要件に関する詳細については、「SageMaker.workflow.Selective_Execution_Config.SelectiveExecutionConfig」のドキュメントを参照してください。

以下では、パイプラインのリファレンス実行を指定したり、最新のパイプライン実行をリファレンスとして使用したり、リファレンスパイプライン実行を使用しない選択的実行を実行したりする例を説明します。

ユーザー指定のパイプラインリファレンスを使用した選択的実行

次の例は、最新のパイプライン実行をリファレンスとして使用した、AbaloneTrain ステップと AbaloneEval ステップの選択的な実行を説明しています。

from sagemaker.workflow.selective_execution_config import SelectiveExecutionConfig

selective_execution_config = SelectiveExecutionConfig(
    source_pipeline_execution_arn="arn:aws:sagemaker:us-west-2:123123123123:pipeline/abalone/execution/123ab12cd3ef", 
    selected_steps=["AbaloneTrain", "AbaloneEval"]
)

selective_execution = pipeline.start(
    execution_display_name=f"Sample-Selective-Execution-1",
    parameters={"MaxDepth":6, "NumRound":60},
    selective_execution_config=selective_execution_config,
)

最新のパイプライン実行をリファレンスとして使用する選択的実行

次の例は、最新のパイプライン実行をリファレンスとして使用して、AbaloneTrain ステップと AbaloneEval ステップの選択的な実行について説明しています。SageMaker AI はデフォルトで最新のパイプライン実行を使用するため、オプションで reference_latest_execution引数を に設定できますTrue。

# Prepare a new selective execution. Select only the first step in the pipeline without providing source_pipeline_execution_arn.
selective_execution_config = SelectiveExecutionConfig(
    selected_steps=["AbaloneTrain", "AbaloneEval"],
    # optional
    reference_latest_execution=True
)

# Start pipeline execution without source_pipeline_execution_arn
pipeline.start(
    execution_display_name=f"Sample-Selective-Execution-1",
    parameters={"MaxDepth":6, "NumRound":60},
    selective_execution_config=selective_execution_config,
)

リファレンスパイプラインを使用しない選択的実行

次の例は、リファレンス ARN を指定せず、最新のパイプライン実行をリファレンスとして使用するオプションをオフにして、AbaloneProcess ステップと AbaloneTrain ステップの選択的実行を行うする方法を説明しています。SageMaker AI では、このステップのサブセットは前のステップに依存しないため、この設定が許可されます。

# Prepare a new selective execution. Select only the first step in the pipeline without providing source_pipeline_execution_arn.
selective_execution_config = SelectiveExecutionConfig(
    selected_steps=["AbaloneProcess", "AbaloneTrain"],
    reference_latest_execution=False
)

# Start pipeline execution without source_pipeline_execution_arn
pipeline.start(
    execution_display_name=f"Sample-Selective-Execution-1",
    parameters={"MaxDepth":6, "NumRound":60},
    selective_execution_config=selective_execution_config,
)

リファレンス実行からランタイムパラメータ値を再使用する

build_parameters_from_execution を使用してリファレンスパイプラインの実行からパラメータを構築し、その結果を選択的実行パイプラインに提供できます。リファレンス実行の元のパラメータを使用するか、parameter_value_overrides 引数を使用して上書きを適用することができます。

次の例は、リファレンス実行からパラメータを構築し、MseThreshold パラメータに上書きを適用する方法を示しています。

# Prepare a new selective execution.
selective_execution_config = SelectiveExecutionConfig(
    source_pipeline_execution_arn="arn:aws:sagemaker:us-west-2:123123123123:pipeline/abalone/execution/123ab12cd3ef",
    selected_steps=["AbaloneTrain", "AbaloneEval", "AbaloneMSECond"],
)
# Define a new parameters list to test.
new_parameters_mse={
    "MseThreshold": 5,
}

# Build parameters from reference execution and override with new parameters to test.
new_parameters = pipeline.build_parameters_from_execution(
    pipeline_execution_arn="arn:aws:sagemaker:us-west-2:123123123123:pipeline/abalone/execution/123ab12cd3ef",
    parameter_value_overrides=new_parameters_mse
)

# Start pipeline execution with new parameters.
execution = pipeline.start(
    selective_execution_config=selective_execution_config,
    parameters=new_parameters
)