Ausführen Sie eine Pipeline

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()