Lift-and-shift du code Python avec le décorateur @step

Le décorateur @step est une fonctionnalité qui convertit votre code de machine learning (ML) local en une ou plusieurs étapes de pipeline. Vous pouvez écrire votre fonction ML comme vous le feriez pour n’importe quel projet ML. Une fois testée localement ou en tant que tâche d’entraînement à l’aide du décorateur @remote, vous pouvez convertir la fonction en une étape de pipeline SageMaker AI en ajoutant un décorateur @step. Vous pouvez alors transmettre à Pipelines la sortie de l’appel de fonction décorée avec @step en tant qu’étape pour créer et exécuter un pipeline. Vous pouvez chaîner une série de fonctions avec le décorateur @step pour créer également un pipeline de graphe orienté acyclique (DAG) à plusieurs étapes.

La configuration permettant d’utiliser le décorateur @step est la même que celle pour utiliser le décorateur @remote. Vous pouvez vous reporter à la documentation des fonctions à distance pour plus de détails sur la configuration de l’environnement et sur l’utilisation d’un fichier de configuration pour définir des valeurs par défaut. Pour plus d’informations sur le décorateur @step, consultez sagemaker.workflow.function_step.step.

Pour consulter des exemples de blocs-notes illustrant l’utilisation du décorateur @step, consultez les exemples de blocs-notes du décorateur @step.

Les sections suivantes expliquent comment annoter votre code ML local à l’aide d’un décorateur @step pour créer une étape, créer et exécuter un pipeline utilisant cette étape, et personnaliser l’expérience pour votre cas d’utilisation.