Lift-and-shift Código Python com o decorador @step

O @step decorador é um recurso que converte seu código local de aprendizado de máquina (ML) em uma ou mais etapas do pipeline. Você pode escrever sua função de ML da mesma forma que faria em qualquer projeto de ML. Depois de testada localmente ou como um trabalho de treinamento usando o @remote decorador, você pode converter a função em uma etapa do SageMaker pipeline adicionando um @step decorador. Em seguida, você pode passar a saída da chamada da função @step -decorada como uma etapa para Pipelines para criar e executar um pipeline. Você também pode encadear uma série de funções com o @step decorador para criar um pipeline gráfico acíclico () DAG direcionado de várias etapas.

A configuração para usar o @step decorador é a mesma configuração para usar o @remote decorador. Você pode consultar a documentação da função remota para obter detalhes sobre como configurar o ambiente e usar um arquivo de configuração para definir padrões. Para obter mais informações sobre o @step decorador, consulte sagemaker.workflow.function_step.step.

Para ver exemplos de cadernos que demonstram o uso do @step decorador, consulte exemplos de cadernos de anotações @step decorator.

As seções a seguir explicam como você pode anotar seu código de ML local com um @step decorador para criar uma etapa, criar e executar um pipeline usando a etapa e personalizar a experiência para seu caso de uso.