Lift-and-Shift-Python-Code mit dem @step -Decorator

Der @step Decorator ist eine Funktion, die Ihren lokalen ML-Code (Machine Learning) in einen oder mehrere Pipeline-Schritte umwandelt. Sie können Ihre ML-Funktion so schreiben, wie Sie es für jedes ML-Projekt tun würden. Nachdem Sie die Funktion lokal oder als Trainingsjob mit dem @remote Decorator getestet haben, können Sie sie in einen SageMaker-AI-Pipeline-Schritt umwandeln, indem Sie einen Decorator hinzufügen. @step Anschließend können Sie die Ausgabe des mit @step -dekorierten Funktionen versehenen Funktionsaufrufs als Schritt an Pipelines übergeben, um eine Pipeline zu erstellen und auszuführen. Sie können eine Reihe von Funktionen mit dem @step Decorator verketten, um auch eine mehrstufige DAG-Pipeline (Directed Acyclic Graph) zu erstellen.

Das Setup für die Verwendung des @step Decorators ist dasselbe wie das Setup für die Verwendung des Decorators. @remote Einzelheiten zur Einrichtung der Umgebung und zur Verwendung einer Konfigurationsdatei zum Festlegen von Standardeinstellungen finden Sie in der Dokumentation zur Remote-Funktion. Weitere Informationen zum @step Decorator finden Sie unter sagemaker.workflow.function_step.step.

Beispiele für Notizbücher, die die Verwendung von Decorator demonstrieren, finden Sie unter @step decorator-Beispielnotizbücher. @step

In den folgenden Abschnitten wird erklärt, wie Sie Ihren lokalen ML-Code mit einem @step Decorator annotieren können, um einen Schritt zu erstellen, mithilfe des Schritts eine Pipeline zu erstellen und auszuführen und das Erlebnis an Ihren Anwendungsfall anzupassen.