Best practice

Le sezioni seguenti suggeriscono le best practice da seguire quando utilizzi il decoratore @step per le fasi della pipeline.

Utilizzo dei warm pool

Per velocizzare l’esecuzione delle fasi della pipeline, utilizza la funzionalità warm pool fornita per i job di addestramento. Puoi attivare la funzionalità warm pool fornendo l’argomento keep_alive_period_in_seconds al decoratore @step, come illustrato nel frammento seguente:

@step(
   keep_alive_period_in_seconds=900
)

Per ulteriori informazioni sui warm pool, consulta Warm pool gestiti di SageMaker AI.

Struttura della directory

Consigliamo di utilizzare moduli di codice quando lavori con il decoratore @step. Inserisci il modulo pipeline.py, nel quale vengono invocate le funzioni della fase e viene definita la pipeline, nella root dello spazio di lavoro. La struttura consigliata viene mostrata di seguito:

.
├── config.yaml # the configuration file that define the infra settings
├── requirements.txt # dependencies
├── pipeline.py  # invoke @step-decorated functions and define the pipeline here
├── steps/
| ├── processing.py
| ├── train.py
├── data/
├── test/