Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Lift-and-shift Codice Python con il decoratore @step
Il @step decoratore è una funzionalità che converte il codice locale di machine learning (ML) in una o più fasi della pipeline. Puoi scrivere la tua funzione ML come faresti per qualsiasi progetto ML. Una volta testata localmente o come lavoro di formazione utilizzando il @remote decoratore, puoi convertire la funzione in una fase della SageMaker pipeline aggiungendo un @step decoratore. È quindi possibile passare l'output della chiamata alla funzione @step -decorated come passaggio a Pipelines per creare ed eseguire una pipeline. Puoi concatenare una serie di funzioni con il @step decorator per creare anche una pipeline graph () aciclica diretta in più fasi. DAG
La configurazione per utilizzare il @step decoratore è la stessa dell'impostazione per utilizzare il decoratore. @remote È possibile fare riferimento alla documentazione della funzione remota per i dettagli su come configurare l'ambiente e utilizzare un file di configurazione per impostare i valori predefiniti. Per ulteriori informazioni sul @step decoratore, vedete sagemaker.workflow.function_step.step.
Le sezioni seguenti spiegano come annotare il codice ML locale con un @step decoratore per creare una fase, creare ed eseguire una pipeline utilizzando la fase e personalizzare l'esperienza in base al proprio caso d'uso.
Argomenti
