建立和執行功能儲存功能處理器管線

功能處理器SDK提供 APIs，將您的功能處理器定義提升為完全受管 SageMaker 管道。如需管道的詳細資訊，請參閱 管道概觀。若要在 中將您的特徵處理器定義轉換為 SageMaker 管道，請使用 to_pipelineAPI搭配您的特徵處理器定義。您可以排程 Feature Processor Definition 的執行、使用 CloudWatch 指標進行操作監控，並將其與 整合 EventBridge ，以充當事件來源或訂閱者。如需監控使用管道建立之管道的詳細資訊，請參閱 監控 Amazon SageMaker Feature Store Feature Processor 管道。

若要檢視特徵處理器管道，請參閱從主控台檢視管道執行。

如果您的函式也使用 @remote 裝飾器進行裝飾，則其組態將轉移到特徵處理器管道。您可以使用 @remote 裝飾器指定進階組態，例如運算執行個體類型和計數、執行期相依性、網路和安全組態。

下列範例使用 to_pipeline和 execute APIs。

from sagemaker.feature_store.feature_processor import (
    execute, to_pipeline, describe, TransformationCode
)

pipeline_name="feature-processor-pipeline"
pipeline_arn = to_pipeline(
    pipeline_name=pipeline_name,
    step=transform,
    transformation_code=TransformationCode(s3_uri="s3://bucket/prefix"),
)

pipeline_execution_arn = execute(
    pipeline_name=pipeline_name
)

to_pipeline API 是 upsert 操作。如果管道已存在，則更新管道；如果不存在管道，則建立管道。

to_pipeline API 選擇性接受 Amazon S3URI，其參考的檔案包含特徵處理器定義，以將其與特徵處理器管道建立關聯，以追蹤其 SageMaker機器學習系列中的轉換函數及其版本。

若要擷取帳戶中每個特徵處理器管道的清單，您可以使用 list_pipelines API。後續請求與特徵處理器管道相關的describeAPI傳回詳細資訊，包括但不限於管道和排程詳細資訊。

下列範例使用 list_pipelines和 describe APIs。

from sagemaker.feature_store.feature_processor import list_pipelines, describe

feature_processor_pipelines = list_pipelines()

pipeline_description = describe(
    pipeline_name = feature_processor_pipelines[0]
)