選取您的 Cookie 偏好設定

我們使用提供自身網站和服務所需的基本 Cookie 和類似工具。我們使用效能 Cookie 收集匿名統計資料,以便了解客戶如何使用我們的網站並進行改進。基本 Cookie 無法停用,但可以按一下「自訂」或「拒絕」以拒絕效能 Cookie。

如果您同意,AWS 與經核准的第三方也會使用 Cookie 提供實用的網站功能、記住您的偏好設定,並顯示相關內容,包括相關廣告。若要接受或拒絕所有非必要 Cookie,請按一下「接受」或「拒絕」。若要進行更詳細的選擇,請按一下「自訂」。

最佳實務

焦點模式
最佳實務 - Amazon SageMaker AI

本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。

本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。

以下各節建議在管道步驟中使用@step裝飾器時,應遵循的最佳實務。

使用暖集區

為了加快管道步驟的執行速度,請使用訓練任務提供的暖集區功能。您可以透過提供 keep_alive_period_in_seconds引數給@step裝飾器來開啟暖集區功能,如以下程式碼片段所示:

@step( keep_alive_period_in_seconds=900 )

如需有關暖集區的詳細資訊,請參閱 SageMaker AI 受管暖集區

建構您的目錄

建議您在使用@step裝飾器時使用程式碼模組。將您調用步驟函數並定義管道的pipeline.py模組放在工作區根目錄。建議的結構如下所示:

. ├── config.yaml # the configuration file that define the infra settings ├── requirements.txt # dependencies ├── pipeline.py # invoke @step-decorated functions and define the pipeline here ├── steps/ | ├── processing.py | ├── train.py ├── data/ ├── test/

下一個主題:

限制

上一個主題:

設定您的管道
隱私權網站條款Cookie 偏好設定
© 2025, Amazon Web Services, Inc.或其附屬公司。保留所有權利。