As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
SageMaker O modo local dos pipelines é uma maneira fácil de testar seus scripts de treinamento, processamento e inferência, bem como a compatibilidade de tempo de execução dos parâmetros do pipeline
O modo local do Pipelines aproveita o modo local de trabalhos de SageMaker IA
Atualmente, o modo local do pipeline é compatível com os seguintes tipos de etapas:
-
Etapa do modelo (somente com argumentos de criação de modelo)
Ao contrário do serviço gerenciado do Pipelines, que permite que várias etapas sejam executadas em paralelo usando a Configuração de Paralelismo
nota
O modo local dos pipelines não é compatível com algoritmos de SageMaker IA, como XGBoost. Caso queira usar esses algoritmos, você deve usá-los no modo script
Para executar um pipeline localmente, os campos sagemaker_session
associados às etapas do pipeline e ao próprio pipeline precisam ser do tipo LocalPipelineSession
. O exemplo a seguir mostra como você pode definir um pipeline de SageMaker IA para ser executado localmente.
from sagemaker.workflow.pipeline_context import LocalPipelineSession
from sagemaker.pytorch import PyTorch
from sagemaker.workflow.steps import TrainingStep
from sagemaker.workflow.pipeline import Pipeline
local_pipeline_session = LocalPipelineSession()
pytorch_estimator = PyTorch(
sagemaker_session=local_pipeline_session,
role=sagemaker.get_execution_role(),
instance_type="ml.c5.xlarge",
instance_count=1,
framework_version="1.8.0",
py_version="py36",
entry_point="./entry_point.py",
)
step = TrainingStep(
name="MyTrainingStep",
step_args=pytorch_estimator.fit(
inputs=TrainingInput(s3_data="s3://amzn-s3-demo-bucket/my-data/train
"),
)
)
pipeline = Pipeline(
name="MyPipeline",
steps=[step],
sagemaker_session=local_pipeline_session
)
pipeline.create(
role_arn=sagemaker.get_execution_role(),
description="local pipeline example"
)
// pipeline will execute locally
execution = pipeline.start()
steps = execution.list_steps()
training_job_name = steps['PipelineExecutionSteps'][0]['Metadata']['TrainingJob']['Arn']
step_outputs = pipeline_session.sagemaker_client.describe_training_job(TrainingJobName = training_job_name)
Quando estiver pronto para executar o pipeline no serviço gerenciado de SageMaker Pipelines, você pode fazer isso LocalPipelineSession
substituindo o trecho de código anterior por PipelineSession
(conforme mostrado no exemplo de código a seguir) e executando novamente o código.
from sagemaker.workflow.pipeline_context import PipelineSession
pipeline_session = PipelineSession()