Codice Python lift and shift con il decoratore @step

Il decoratore @step è una funzionalità che converte il codice locale di machine learning (ML) in una o più fasi della pipeline. Puoi scrivere la tua funzione di ML come faresti per qualsiasi progetto di ML. Una volta testata localmente o come job di addestramento tramite il decoratore @remote, puoi convertire la funzione in una fase della pipeline SageMaker AI aggiungendo un decoratore @step. Puoi quindi passare a Pipelines l’output della chiamata alla funzione decorata con @step come fase per creare ed eseguire una pipeline. Puoi concatenare una serie di funzioni con il decoratore @step anche per creare una pipeline con grafo aciclico orientato (DAG) con più fasi.

La configurazione per utilizzare il decoratore @step è uguale a quella per il decoratore @remote. Puoi fare riferimento alla documentazione della funzione remota per dettagli su come configurare l’ambiente e utilizzare un file di configurazione per impostare i valori predefiniti. Per ulteriori informazioni sul decoratore @step, consulta sagemaker.workflow.function_step.step.

Per visualizzare alcuni esempi di notebook che mostrano l’utilizzo del decoratore @step, consulta @step decorator sample notebooks.

Le sezioni seguenti spiegano come annotare il codice di ML locale con un decoratore @step per creare una fase, creare ed eseguire una pipeline con tale fase e personalizzare l’esperienza in base al tuo caso d’uso.