Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # 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 Trainingsaufgabe 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. Die Konfiguration für die Verwendung des `@step`-Decorators entspricht der Konfiguration für die Verwendung des `@remote`-Decorators. Einzelheiten zur [Einrichtung der Umgebung und zur [Verwendung einer Konfigurationsdatei](https://docs.aws.amazon.com/sagemaker/latest/dg/train-remote-decorator-config.html) zum Festlegen von Standardeinstellungen finden Sie in der](https://docs.aws.amazon.com/sagemaker/latest/dg/train-remote-decorator.html#train-remote-decorator-env) Dokumentation zur Remote-Funktion. [Weitere Informationen zum `@step` Decorator finden Sie unter sagemaker.workflow.function\$1step.step.](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html#sagemaker.workflow.function_step.step) Um Beispiel-Notebooks anzuzeigen, die die Verwendung von `@step`-Decorator veranschaulichen, siehe [@step decorator sample notebooks](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-pipelines/step-decorator). 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. **Topics** + [Erstellen Sie eine Pipeline mit `@step` -dekorierten Funktionen](pipelines-step-decorator-create-pipeline.md) + [Ausführen Sie eine Pipeline](pipelines-step-decorator-run-pipeline.md) + [Konfigurieren Ihrer Pipeline](pipelines-step-decorator-cfg-pipeline.md) + [Bewährte Methoden](pipelines-step-decorator-best.md) + [Einschränkungen](pipelines-step-decorator-limit.md)