기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
다음 페이지에서는 SageMaker AI 리소스를 사용하거나 로컬에서 Amazon SageMaker SageMaker Pipelines을 사용하여 파이프라인을 실행하는 방법을 설명합니다.
기존 SageMaker AI 파이프라인 실행과 마찬가지로 pipeline.start() 함수로 새 파이프라인 실행을 시작합니다. start() 함수에 대한 자세한 내용은 sagemaker.workflow.pipeline.Pipeline.start
참고
@step 데코레이터를 사용하여 정의된 단계는 훈련 작업으로 실행됩니다. 따라서 다음 제한 사항을 고려해야 합니다.
계정의 인스턴스 한도 및 훈련 작업 한도. 스로틀링 또는 리소스 한도 문제를 방지하려면 적절하게 한도를 업데이트합니다.
파이프라인에서 훈련 단계를 실행할 때마다 발생하는 금전적 비용. 자세한 내용은 Amazon SageMaker AI 요금을
참조하세요.
로컬에서 실행되는 파이프라인에서 결과 검색
파이프라인 실행 단계의 결과를 보려면 다음 코드 조각과 같이 execution.result()
execution = pipeline.start()
execution.result(step_name="train")참고
Pipelines은 로컬 모드에서 execution.result()를 지원하지 않습니다.
한 번에 한 단계의 결과만 검색할 수 있습니다. SageMaker AI에서 단계 이름을 생성한 경우 다음과 list_steps 같이를 호출하여 단계 이름을 검색할 수 있습니다.
execution.list_step()
로컬에서 파이프라인 실행
기존 파이프라인 단계와 마찬가지로 로컬에서 @step으로 데코레이션된 단계를 사용하여 파이프라인을 실행할 수 있습니다. 로컬 모드 파이프라인 실행에 대한 자세한 내용은 로컬 모드를 사용하여 파이프라인 실행 섹션을 참조하세요. 로컬 모드를 사용하려면 다음 예시와 같이 파이프라인 정의에 SageMakerSession 대신 LocalPipelineSession을 제공합니다.
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()