Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Désactiver la mise en cache des étapes
<a name="pipelines-caching-disabling"></a>

Une étape de pipeline ne se réexécute pas si vous modifiez des attributs qui ne sont pas répertoriés dans [Attributs de clé de cache par défaut par type d’étape du pipeline](pipelines-default-keys.md) pour son type d’étape. Toutefois, vous pouvez décider de réexécuter l'étape du pipeline dans tous les cas. Dans ce cas, vous devez désactiver la mise en cache des étapes.

Pour désactiver la mise en cache des étapes, définissez l'attribut `Enabled` dans la propriété `CacheConfig` de la définition de l'étape sur `false`, comme indiqué dans l'extrait de code suivant :

```
{
    "CacheConfig": {
        "Enabled": false,
        "ExpireAfter": "<time>"
    }
}
```

Notez que l'attribut `ExpireAfter` est ignoré lorsque `Enabled` est `false`.

Pour désactiver la mise en cache d'une étape de pipeline à l'aide du SDK Amazon SageMaker Python, définissez le pipeline de votre étape de pipeline, désactivez la `enable_caching` propriété et mettez à jour le pipeline.

Lorsque vous le réexécutez, l'exemple de code suivant désactive la mise en cache pour une étape d'entraînement :

```
from sagemaker.workflow.pipeline_context import PipelineSession
from sagemaker.workflow.steps import CacheConfig
from sagemaker.workflow.pipeline import Pipeline

cache_config = CacheConfig(enable_caching=False, expire_after="PT1H")
estimator = Estimator(..., sagemaker_session=PipelineSession())

step_train = TrainingStep(
    name="TrainAbaloneModel",
    step_args=estimator.fit(inputs=inputs),
    cache_config=cache_config
)

# define pipeline
pipeline = Pipeline(
    steps=[step_train]
)

# update the pipeline
pipeline.update()
# or, call upsert() to update the pipeline
# pipeline.upsert()
```

Vous pouvez également désactiver la propriété `enable_caching` après avoir déjà défini le pipeline, afin de permettre une exécution de code continue. L'exemple de code suivant illustre cette solution :

```
# turn off caching for the training step
pipeline.steps[0].cache_config.enable_caching = False

# update the pipeline
pipeline.update()
# or, call upsert() to update the pipeline
# pipeline.upsert()
```

Pour des exemples de code plus détaillés et une discussion sur la façon dont les paramètres du SDK Python affectent la mise en cache, consultez la section [Configuration de la mise en cache](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_model_building_pipeline.html#caching-configuration) dans la documentation du SDK Amazon SageMaker Python.