Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Lift-and-shift Code Python avec le décorateur @step
Le @step décorateur est une fonctionnalité qui convertit votre code d'apprentissage automatique (ML) local en une ou plusieurs étapes de pipeline. Vous pouvez écrire votre fonction ML comme vous le feriez pour n'importe quel projet ML. Une fois testée localement ou en tant que tâche de formation à l'aide du @remote décorateur, vous pouvez convertir la fonction en une étape de SageMaker pipeline en ajoutant un @step décorateur. Vous pouvez ensuite transmettre la sortie de l'appel de fonction @step -decorated en tant qu'étape à Pipelines pour créer et exécuter un pipeline. Vous pouvez également enchaîner une série de fonctions avec le @step décorateur pour créer un pipeline de graphes acycliques dirigés (DAG) en plusieurs étapes.
La configuration pour utiliser le @step décorateur est la même que celle pour utiliser le @remote décorateur. Vous pouvez consulter la documentation des fonctions à distance pour plus de détails sur la configuration de l'environnement et sur l'utilisation d'un fichier de configuration pour définir les valeurs par défaut. Pour plus d'informations sur le @step décorateur, consultez sagemaker.workflow.function_step.step
Pour consulter des exemples de carnets illustrant l'utilisation du @step décorateur, consultez les exemples de carnets de notes @step decorator
Les sections suivantes expliquent comment annoter votre code ML local à l'aide d'un @step décorateur pour créer une étape, créer et exécuter un pipeline à l'aide de l'étape et personnaliser l'expérience en fonction de votre cas d'utilisation.
Rubriques
