Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Disattivazione della memorizzazione nella cache delle fasi
<a name="pipelines-caching-disabling"></a>

Una fase della pipeline non viene rieseguita se si modificano gli attributi che non sono elencati in [Attributi chiave della cache predefiniti per tipo di fase della pipeline](pipelines-default-keys.md) per il tipo di fase corrispondente. Tuttavia, puoi decidere di voler rieseguire comunque la fase della pipeline. In questo caso, è necessario disattivare la memorizzazione nella cache delle fasi.

Per disattivare la memorizzazione nella cache delle fasi, imposta l'attributo `Enabled` nella proprietà `CacheConfig` della definizione della fase su `false`, come mostrato nel seguente frammento di codice:

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

Nota che l'attributo `ExpireAfter` viene ignorato quando `Enabled` è `false`.

Per disattivare la memorizzazione nella cache per un passaggio della pipeline utilizzando l'SDK Amazon SageMaker Python, definisci la pipeline del passaggio della pipeline, disattiva la proprietà e aggiorna la `enable_caching` pipeline.

Una volta eseguito di nuovo, il seguente esempio di codice disattiva la memorizzazione nella cache per una fase di addestramento:

```
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()
```

In alternativa, disattiva la proprietà `enable_caching` dopo aver già definito la pipeline, consentendo l'esecuzione di un codice continuo. Il seguente esempio di codice illustra questa soluzione:

```
# 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()
```

Per esempi di codice più dettagliati e una discussione su come i parametri di Python SDK influiscono sulla memorizzazione nella cache, consulta Caching [Configuration nella documentazione](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_model_building_pipeline.html#caching-configuration) di Amazon Python SDK. SageMaker