本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

管道步驟

管道由步驟組成。這些步驟使用屬性定義管道採取的動作以及步驟之間的關係。下頁說明步驟的類型、其屬性，以及它們之間的關係。

步驟屬性

使用 properties 屬性在管道中的步驟之間新增資料相依性。管道使用這些資料相依性，DAG從管道定義建構 。這些屬性可以作為預留位置值參考，並在執行期解析。

Pipelines 步驟的properties屬性符合對應 SageMaker 任務類型的Describe呼叫傳回的物件。對於每個任務類型，Describe 呼叫都會傳回下列回應物件：

若要在建立資料相依性期間檢查每個步驟類型可參考的屬性，請參閱 Amazon SageMaker Python SDK中的資料相依性 - 屬性參考。

步驟平行處理

當步驟不依賴於任何其他步驟時，它會在管道執行後立即執行。不過，平行執行過多管道步驟可能會快速耗盡可用的資源。使用 ParallelismConfiguration 控制管道執行的並行步驟數量。

下列範例使用 ParallelismConfiguration 將並行步驟限制為 5 個。

pipeline.create(
    parallelism_config=ParallelismConfiguration(5),
)

步驟之間的資料相依性

您可以透過指定步驟之間的資料關係DAG來定義 的結構。若要在步驟之間建立資料相依性，請將一個步驟的屬性作為輸入傳遞至管道中的另一個步驟。在提供輸入的步驟執行完後，接收輸入的步驟才會啟動。

資料相依性會以下列格式使用 JsonPath 註釋。此格式會周遊 JSON 屬性檔案。這表示您可以附加最多 <property> 執行個體，以到達檔案中所需的巢狀屬性。如需 JsonPath 註釋的詳細資訊，請參閱JsonPath 儲存庫 。

<step_name>.properties.<property>.<property>

下面示範如何使用處理步驟的 ProcessingOutputConfig 屬性來指定 Amazon S3 儲存貯體。

step_process.properties.ProcessingOutputConfig.Outputs["train_data"].S3Output.S3Uri

若要建立資料相依性，請將儲存貯體傳遞至訓練步驟，如下所示。

from sagemaker.workflow.pipeline_context import PipelineSession

sklearn_train = SKLearn(..., sagemaker_session=PipelineSession())

step_train = TrainingStep(
    name="CensusTrain",
    step_args=sklearn_train.fit(inputs=TrainingInput(
        s3_data=step_process.properties.ProcessingOutputConfig.Outputs[
            "train_data"].S3Output.S3Uri
    ))
)

若要在建立資料相依性期間檢查每個步驟類型可參考的屬性，請參閱 Amazon SageMaker Python SDK中的資料相依性 - 屬性參考。

步驟之間的自訂相依性

當您指定資料相依性時，管道會在步驟之間提供資料連線。或者，一個步驟可以存取上一個步驟的資料，而無需直接使用管道。在此情況下，您可以建立自訂相依性，告訴管道在另一個步驟完成執行之前，不要啟動步驟。您可以透過指定步驟的 DependsOn 屬性來建立自訂相依性。

例如，下列內容定義了僅在 A 步驟和 B 步驟執行完後才開始的 C 步驟。

{
  'Steps': [
    {'Name':'A', ...},
    {'Name':'B', ...},
    {'Name':'C', 'DependsOn': ['A', 'B']}
  ]
}

如果相依性會建立循環相依性，管道會擲回驗證例外狀況。

下列範例會建立在處理步驟執行完後開始的訓練步驟。

processing_step = ProcessingStep(...)
training_step = TrainingStep(...)

training_step.add_depends_on([processing_step])

下列範例會建立在兩個不同的處理步驟執行完後才開始的訓練步驟。

processing_step_1 = ProcessingStep(...)
processing_step_2 = ProcessingStep(...)

training_step = TrainingStep(...)

training_step.add_depends_on([processing_step_1, processing_step_2])

下面提供了建立自訂相依性的替代方法。

training_step.add_depends_on([processing_step_1])
training_step.add_depends_on([processing_step_2])

下列範例會建立一個訓練步驟，接收來自一個處理步驟的輸入，並等待另一個處理步驟執行完成。

processing_step_1 = ProcessingStep(...)
processing_step_2 = ProcessingStep(...)

training_step = TrainingStep(
    ...,
    inputs=TrainingInput(
        s3_data=processing_step_1.properties.ProcessingOutputConfig.Outputs[
            "train_data"
        ].S3Output.S3Uri
    )

training_step.add_depends_on([processing_step_2])

下列範例示範如何擷取步驟之自訂相依性的字串清單。

custom_dependencies = training_step.depends_on

步驟中的自訂映像

您可以在管道中建立步驟時，使用任何可用的 SageMaker深度學習容器映像。

您也可以在管道步驟中使用您自己的容器。由於您無法從 Studio Classic 中建立映像，因此您必須先使用其他方法建立映像，才能搭配管道使用。

若要在為管道建立步驟時使用您自己的容器，請在估算器定義URI中包含映像。如需搭配 使用自有容器的詳細資訊 SageMaker，請參閱搭配 使用 Docker 容器 SageMaker。