Execute um pipeline - Amazon SageMaker
Recupere resultados de um pipeline executado localmenteExecute um pipeline localmente

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.

Execute um pipeline

A página a seguir descreve como executar um pipeline com o Amazon SageMaker Pipelines, com SageMaker recursos ou localmente.

Inicie uma nova execução de pipeline com a pipeline.start() função, como você faria com uma execução de SageMaker pipeline tradicional. Para obter informações sobre a start() função, consulte SageMaker.Workflow.Pipeline.start.

nota

Uma etapa definida usando o @step decorador é executada como um trabalho de treinamento. Portanto, esteja ciente dos seguintes limites:

  • Limites de instância e limites de tarefas de treinamento em suas contas. Atualize seus limites adequadamente para evitar problemas de limitação ou limite de recursos.

  • Os custos monetários associados a cada execução de uma etapa de treinamento em andamento. Para obter mais detalhes, consulte Amazon SageMaker Pricing.

Recupere resultados de um pipeline executado localmente

Para ver o resultado de qualquer etapa da execução de um pipeline, use execution.result (), conforme mostrado no trecho a seguir:

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

O Pipelines não oferece suporte execution.result() no modo local.

Você só pode recuperar os resultados de uma etapa por vez. Se o nome da etapa foi gerado por SageMaker, você pode recuperar o nome da etapa chamando da list_steps seguinte forma:

execution.list_step()

Execute um pipeline localmente

Você pode executar um pipeline com etapas @step decoradas localmente, como faria com as etapas tradicionais do pipeline. Para obter detalhes sobre a execução do pipeline no modo local, consulteExecute pipelines usando o modo local. Para usar o modo local, forneça a LocalPipelineSession em vez de SageMakerSession a para sua definição de pipeline, conforme mostrado no exemplo a seguir:

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()