Selecione suas preferências de cookies

Usamos cookies essenciais e ferramentas semelhantes que são necessárias para fornecer nosso site e serviços. Usamos cookies de desempenho para coletar estatísticas anônimas, para que possamos entender como os clientes usam nosso site e fazer as devidas melhorias. Cookies essenciais não podem ser desativados, mas você pode clicar em “Personalizar” ou “Recusar” para recusar cookies de desempenho.

Se você concordar, a AWS e terceiros aprovados também usarão cookies para fornecer recursos úteis do site, lembrar suas preferências e exibir conteúdo relevante, incluindo publicidade relevante. Para aceitar ou recusar todos os cookies não essenciais, clique em “Aceitar” ou “Recusar”. Para fazer escolhas mais detalhadas, clique em “Personalizar”.

Desativar o cache de etapas

Modo de foco
Desativar o cache de etapas - SageMaker IA da Amazon

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Uma etapa do pipeline não será executada novamente se você alterar algum atributo que não esteja listado em Atributos de chave de cache padrão por tipo de etapa do pipeline como seu tipo de etapa. No entanto, você pode decidir que deseja que a etapa do pipeline seja executada novamente de qualquer maneira. Nesse caso, você precisa desativar o cache de etapas.

Para desativar o armazenamento em cache de etapas, defina o Enabled atributo na propriedade CacheConfig da definição da etapa como false, conforme mostrado no seguinte trecho de código:

{     "CacheConfig"{         "Enabled"false,         "ExpireAfter""<time>"     } }

Observe que o atributo ExpireAfter é ignorado quando Enabled é false.

Para desativar o armazenamento em cache de uma etapa do pipeline usando o SDK do Amazon SageMaker Python, defina o pipeline da etapa do pipeline, desative enable_caching a propriedade e atualize o pipeline.

Depois de executá-lo novamente, o seguinte exemplo de código desativa o armazenamento em cache para uma etapa de treinamento:

from sagemaker.workflow.pipeline_context import PipelineSession from sagemaker.workflow.steps import CacheConfig from sagemaker.workflow.pipeline import Pipeline cache_config = CacheConfig(enable_caching=False, expire_after="PT1H") estimator = Estimator(..., sagemaker_session=PipelineSession()) step_train = TrainingStep( name="TrainAbaloneModel", step_args=estimator.fit(inputs=inputs), cache_config=cache_config ) # define pipeline pipeline = Pipeline( steps=[step_train] ) # update the pipeline pipeline.update() # or, call upsert() to update the pipeline # pipeline.upsert()

Como alternativa, desative a propriedade enable_caching depois de já ter definido o pipeline, permitindo a execução contínua de um código. O seguinte exemplo de código demonstra essa solução:

# turn off caching for the training step pipeline.steps[0].cache_config.enable_caching = False # update the pipeline pipeline.update() # or, call upsert() to update the pipeline # pipeline.upsert()

Para exemplos de código mais detalhados e uma discussão sobre como os parâmetros do SDK do Python afetam o armazenamento em cache, consulte Configuração de cache na documentação do SDK do Amazon Python. SageMaker

PrivacidadeTermos do sitePreferências de cookies
© 2025, Amazon Web Services, Inc. ou suas afiliadas. Todos os direitos reservados.