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.
L ift-and-shift Python-Code mit dem @step -Dekorator
Der @step Decorator ist eine Funktion, die Ihren lokalen ML-Code (Machine Learning) in einen oder mehrere Pipeline-Schritte umwandelt. Sie können Ihre ML-Funktion so schreiben, wie Sie es für jedes ML-Projekt tun würden. Nachdem Sie die Funktion lokal oder als Schulungsaufgabe mit dem @remote Decorator getestet haben, können Sie sie in einen SageMaker Pipeline-Schritt umwandeln, indem Sie einen @step Decorator hinzufügen. Anschließend können Sie die Ausgabe des @step mit -dekorierten Funktionsaufrufs als Schritt an SageMaker Pipelines übergeben, um eine Pipeline zu erstellen und auszuführen. Sie können eine Reihe von Funktionen mit dem @step Decorator verketten, um auch eine mehrstufige DAG-Pipeline (Directed Acyclic Graph) zu erstellen.
Das Setup für die Verwendung des @step Decorators entspricht dem Setup für die Verwendung des Decorators. @remote Einzelheiten zur Einrichtung der Umgebung und zur Verwendung einer Konfigurationsdatei zum Festlegen von Standardeinstellungen finden Sie in der Dokumentation zur Remote-Funktion. Weitere Informationen zum @step Decorator finden Sie unter sagemaker.workflow.function_step.step.
In den folgenden Abschnitten wird erklärt, wie Sie Ihren lokalen ML-Code mit einem @step Decorator annotieren können, um einen Schritt zu erstellen, mithilfe des Schritts eine Pipeline zu erstellen und auszuführen und das Erlebnis an Ihren Anwendungsfall anzupassen.
Themen
