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 Visão geral dos oleodutos
Um pipeline do Amazon SageMaker Model Building Pipelines é uma série de etapas interconectadas que são definidas usando o SDK do Pipelines
O exemplo de DAG inclui as seguintes etapas:
AbaloneProcess
, uma instância da etapa de processamento, executa um script de pré-processamento nos dados usados para treinamento. Por exemplo, o script pode preencher valores ausentes, normalizar dados numéricos ou dividir dados nos conjuntos de dados de treinamento, validação e teste.AbaloneTrain
, uma instância da etapa de treinamento, configura hiperparâmetros e treina um modelo a partir dos dados de entrada pré-processados.AbaloneEval
, outra instância da etapa de processamento, avalia a precisão do modelo. Esta etapa mostra um exemplo de dependência de dados. Essa etapa usa a saída do conjunto de dados de teste do.AbaloneProcess
AbaloneMSECond
é uma instância de uma etapa de condição que, neste exemplo, verifica se o mean-square-error resultado da avaliação do modelo está abaixo de um determinado limite. Se o modelo não atender aos critérios, o funcionamento do pipeline é interrompido.A execução do pipeline prossegue com as seguintes etapas:
AbaloneRegisterModel
, onde SageMaker chama uma RegisterModeletapa para registrar o modelo como um grupo de pacotes de modelos versionados no Amazon SageMaker Model Registry.AbaloneCreateModel
, onde SageMaker chama uma CreateModeletapa para criar o modelo em preparação para a transformação em lote. EmAbaloneTransform
, SageMaker chama uma etapa de transformação para gerar previsões de modelo em um conjunto de dados especificado por você.
Os tópicos a seguir descrevem os conceitos fundamentais do SageMaker Pipelines. Para obter um tutorial descrevendo a implementação desses conceitos, consulte Crie e gerencie SageMaker pipelines.
Tópicos
- Estrutura e execução do pipeline
- Gerenciamento de acesso do IAM
- Support entre contas para pipelines SageMaker
- Parâmetros do pipeline
- Etapas SageMaker do Amazon Model Building Pipelines
- Código L ift-and-shift Python com o decorador @step
- Passe dados entre as etapas
- Etapas do pipeline de cache
- Política de repetição para etapas do pipeline
- Execução seletiva das etapas do pipeline
- Cálculo de linha de base, detecção de desvios, ciclo de vida e ClarifyCheck etapas QualityCheck no Amazon Model Building Pipelines SageMaker
- Programar a execução do pipeline
- Integração SageMaker com Amazon Experiments
- Modo local
- Solução de problemas do Amazon SageMaker Model Building Pipelines