Wählen Sie Ihre Cookie-Einstellungen aus

Wir verwenden essentielle Cookies und ähnliche Tools, die für die Bereitstellung unserer Website und Services erforderlich sind. Wir verwenden Performance-Cookies, um anonyme Statistiken zu sammeln, damit wir verstehen können, wie Kunden unsere Website nutzen, und Verbesserungen vornehmen können. Essentielle Cookies können nicht deaktiviert werden, aber Sie können auf „Anpassen“ oder „Ablehnen“ klicken, um Performance-Cookies abzulehnen.

Wenn Sie damit einverstanden sind, verwenden AWS und zugelassene Drittanbieter auch Cookies, um nützliche Features der Website bereitzustellen, Ihre Präferenzen zu speichern und relevante Inhalte, einschließlich relevanter Werbung, anzuzeigen. Um alle nicht notwendigen Cookies zu akzeptieren oder abzulehnen, klicken Sie auf „Akzeptieren“ oder „Ablehnen“. Um detailliertere Entscheidungen zu treffen, klicken Sie auf „Anpassen“.

Ausführen Sie eine Pipeline

Fokusmodus
Ausführen Sie eine Pipeline - Amazon SageMaker

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Auf der folgenden Seite wird beschrieben, wie Sie eine Pipeline mit Amazon SageMaker Pipelines entweder mit SageMaker Ressourcen oder lokal ausführen.

Starten Sie einen neuen Pipeline-Lauf mit der pipeline.start() Funktion wie bei einem herkömmlichen SageMaker Pipeline-Lauf. Informationen zu der start() Funktion finden Sie unter SageMaker.Workflow.Pipeline.Pipeline.Start.

Anmerkung

Ein mit dem @step Decorator definierter Schritt wird als Trainingsjob ausgeführt. Beachten Sie daher die folgenden Einschränkungen:

  • Limits für Instanzen und Trainingsjobs in Ihren Konten. Aktualisieren Sie Ihre Limits entsprechend, um Probleme mit der Drosselung oder dem Ressourcenlimit zu vermeiden.

  • Die monetären Kosten, die mit jedem anstehenden Trainingsschritt verbunden sind. Weitere Informationen finden Sie unter SageMaker Amazon-Preise.

Rufen Sie Ergebnisse aus einer lokal ausgeführten Pipeline ab

Um das Ergebnis eines beliebigen Schritts eines Pipeline-Laufs anzuzeigen, verwenden Sie execution.result (), wie im folgenden Codeausschnitt gezeigt:

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

Pipelines unterstützt den lokalen Modus nicht. execution.result()

Sie können jeweils nur Ergebnisse für einen Schritt abrufen. Wenn der Schrittname von generiert wurde SageMaker, können Sie den Schrittnamen abrufen, indem Sie list_steps wie folgt aufrufen:

execution.list_step()

Führen Sie eine Pipeline lokal aus

Sie können eine Pipeline mit mit @step -dekorierten Schritten wie bei herkömmlichen Pipeline-Schritten lokal ausführen. Einzelheiten zu Pipeline-Läufen im lokalen Modus finden Sie unterFühren Sie Pipelines im lokalen Modus aus. Um den lokalen Modus zu verwenden, fügen Sie Ihrer Pipeline-Definition LocalPipelineSession statt a ein SageMakerSession hinzu, wie im folgenden Beispiel gezeigt:

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()
DatenschutzNutzungsbedingungen für die WebsiteCookie-Einstellungen
© 2024, Amazon Web Services, Inc. oder Tochtergesellschaften. Alle Rechte vorbehalten.