Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Ausführen Sie eine Pipeline
Nachdem Sie die Schritte Ihrer Pipeline als gerichteten azyklischen Graphen (DAG) definiert haben, können Sie Ihre Pipeline ausführen, die die in Ihrer DAG definierten Schritte ausführt. Die folgenden exemplarischen Vorgehensweisen zeigen Ihnen, wie Sie eine Amazon SageMaker AI-Pipeline entweder mit dem drag-and-drop visuellen Editor in Amazon SageMaker Studio oder dem Amazon SageMaker Python SDK ausführen.
## Führen Sie eine Pipeline aus (Pipeline-Designer)
Gehen Sie wie folgt vor, um eine neue Ausführung Ihrer Pipeline zu starten:
------
#### [ Studio ]
1. Öffnen Sie SageMaker Studio, indem Sie den Anweisungen unter [Amazon SageMaker Studio starten](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html) folgen.
1. Wählen Sie im linken Navigationsbereich die Option **Pipelines** aus.
1. (Optional) Um die Liste der Pipelines nach Namen zu filtern, geben Sie einen vollständigen Namen oder einen Teil in das Suchfeld ein.
1. Wählen Sie einen Pipeline-Namen aus, um die Pipeline-Detailansicht zu öffnen.
1. Wählen Sie oben rechts **Visual Editor** aus.
1. Um eine Ausführung von der neuesten Version aus zu starten, wählen Sie **Ausführungen.**
1. Gehen Sie folgendermaßen vor, um eine Ausführung von einer bestimmten Version aus zu starten:
+ Wählen Sie das Versionssymbol in der unteren Werkzeugleiste, um das Versionsfenster zu öffnen.
+ Wählen Sie die Pipeline-Version aus, die Sie anzeigen möchten.
+ **Zeigen Sie mit der Maus auf das Versionselement, um das Dreipunktmenü einzublenden, und wählen Sie Ausführen.**
+ (Optional) Um eine frühere Version der Pipeline anzuzeigen, wählen Sie im Versionsfenster aus dem Dreipunktmenü die Option **Vorschau** aus. Sie können die Version auch bearbeiten, indem Sie in der Benachrichtigungsleiste auf **Bearbeiten** klicken.
**Anmerkung**
Wenn Ihre Pipeline ausfällt, zeigt das Statusbanner den Status **Fehlgeschlagen** an. Nachdem Sie den fehlgeschlagenen Schritt behoben haben, wählen Sie im Statusbanner die Option **Erneut versuchen** aus, um die Pipeline von diesem Schritt aus weiter auszuführen.
------
#### [ Studio Classic ]
1. Melden Sie sich bei Amazon SageMaker Studio Classic an. Weitere Informationen finden Sie unter [Amazon SageMaker Studio Classic starten](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launch.html).
1. Wählen Sie in der Studio-Classic Seitenleiste das Symbol **Home** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/house.png)) aus.
1. Wählen Sie im Menü **Pipelines** aus.
1. Um die Liste der Pipelines nach Namen einzugrenzen, geben Sie einen vollständigen oder teilweisen Pipelinenamen in das Suchfeld ein.
1. Wählen Sie einen Pipelinamen aus.
1. Wählen Sie in der **Ausführungsliste auf der Registerkarte Ausführungen** oder **Diagramm** die Option Ausführung **erstellen** aus.
1. Geben Sie die folgenden Informationen ein oder aktualisieren Sie sie:
+ **Name** – Muss für Ihr Konto in der AWS -Region eindeutig sein.
+ **ProcessingInstanceCount**— Die Anzahl der Instances, die für die Verarbeitung verwendet werden sollen.
+ **ModelApprovalStatus**— Zu Ihrer Bequemlichkeit.
+ **InputDataUrl**— Die Amazon S3 S3-URI der Eingabedaten.
1. Wählen Sie **Starten**.
Sobald Ihre Pipeline läuft, können Sie sich die Details der Ausführung ansehen, indem Sie im Statusbanner auf **Details anzeigen** klicken.
Um die Ausführung zu beenden, wählen Sie im Statusbanner die Option **Stopp**. Um die Ausführung an der Stelle fortzusetzen, an der sie gestoppt wurde, wählen Sie im Statusbanner die Option **Fortfahren** aus.
**Anmerkung**
Wenn Ihre Pipeline ausfällt, zeigt das Statusbanner den Status **Fehlgeschlagen** an. Nachdem Sie den fehlgeschlagenen Schritt behoben haben, wählen Sie im Statusbanner die Option **Erneut versuchen** aus, um die Pipeline von diesem Schritt aus weiter auszuführen.
------
## Eine Pipeline ausführen (SageMaker Python SDK)
Nachdem Sie mit dem SageMaker AI Python SDK eine Pipeline-Definition erstellt haben, können Sie sie an SageMaker AI senden, um mit der Ausführung zu beginnen. Das folgende Tutorial zeigt, wie Sie eine Pipeline einreichen, eine Ausführung starten, die Ergebnisse dieser Ausführung untersuchen und Ihre Pipeline löschen.
**Topics**
+ [Voraussetzungen](#run-pipeline-prereq)
+ [Schritt 1: Starten der Pipeline](#run-pipeline-submit)
+ [Schritt 2: Untersuchen Sie eine Pipeline-Ausführung](#run-pipeline-examine)
+ [Schritt 3: Überschreiben Sie die Standardparameter für eine Pipeline-Ausführung](#run-pipeline-parametrized)
+ [Schritt 4: Stoppen und löschen Sie eine Pipeline-Ausführung](#run-pipeline-delete)
### Voraussetzungen
Für dieses Tutorial benötigen Sie Folgendes:
+ Eine SageMaker Notebook-Instanz.
+ Eine Pipeline-Definition. In diesem Tutorial wird davon ausgegangen, dass Sie die Pipeline-Definition verwenden, die Sie nach Abschluss des [Definieren einer Pipeline](define-pipeline.md) Tutorials erstellt haben.
### Schritt 1: Starten der Pipeline
Zuerst müssen Sie die Pipeline starten.
**Um die Pipeline zu starten**
1. Untersuchen Sie die JSON-Pipeline-Definition, um sicherzustellen, dass sie wohlgeformt ist.
```
import json
json.loads(pipeline.definition())
```
1. Übermitteln Sie die Pipeline-Definition an den Pipelines-Dienst, um eine Pipeline zu erstellen, falls diese noch nicht vorhanden ist, oder um die Pipeline zu aktualisieren, falls sie bereits vorhanden ist. Die übergebene Rolle wird von Pipelines verwendet, um alle in den Schritten definierten Aufträge zu erstellen.
```
pipeline.upsert(role_arn=role)
```
1. Pipeline-Ausführung starten.
```
execution = pipeline.start()
```
### Schritt 2: Untersuchen Sie eine Pipeline-Ausführung
Als Nächstes müssen Sie die Pipeline-Ausführung untersuchen.
**Um eine Pipeline-Ausführung zu untersuchen**
1. Beschreiben Sie den Ausführungsstatus der Pipeline, um sicherzustellen, dass sie erfolgreich erstellt und gestartet wurde.
```
execution.describe()
```
1. Warten Sie bis die Ausführung abgeschlossen ist.
```
execution.wait()
```
1. Listet die Ausführungsschritte und ihren Status auf.
```
execution.list_steps()
```
Die Ausgabe sollte folgendermaßen aussehen:
```
[{'StepName': 'AbaloneTransform',
'StartTime': datetime.datetime(2020, 11, 21, 2, 41, 27, 870000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 45, 50, 492000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'TransformJob': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:transform-job/pipelines-cfvy1tjuxdq8-abalonetransform-ptyjoef3jy'}}},
{'StepName': 'AbaloneRegisterModel',
'StartTime': datetime.datetime(2020, 11, 21, 2, 41, 26, 929000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 41, 28, 15000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'RegisterModel': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:model-package/abalonemodelpackagegroupname/1'}}},
{'StepName': 'AbaloneCreateModel',
'StartTime': datetime.datetime(2020, 11, 21, 2, 41, 26, 895000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 41, 27, 708000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'Model': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:model/pipelines-cfvy1tjuxdq8-abalonecreatemodel-jl94rai0ra'}}},
{'StepName': 'AbaloneMSECond',
'StartTime': datetime.datetime(2020, 11, 21, 2, 41, 25, 558000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 41, 26, 329000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'Condition': {'Outcome': 'True'}}},
{'StepName': 'AbaloneEval',
'StartTime': datetime.datetime(2020, 11, 21, 2, 37, 34, 767000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 41, 18, 80000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:processing-job/pipelines-cfvy1tjuxdq8-abaloneeval-zfraozhmny'}}},
{'StepName': 'AbaloneTrain',
'StartTime': datetime.datetime(2020, 11, 21, 2, 34, 55, 867000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 37, 34, 34000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'TrainingJob': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:training-job/pipelines-cfvy1tjuxdq8-abalonetrain-tavd6f3wdf'}}},
{'StepName': 'AbaloneProcess',
'StartTime': datetime.datetime(2020, 11, 21, 2, 30, 27, 160000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 34, 48, 390000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:processing-job/pipelines-cfvy1tjuxdq8-abaloneprocess-mgqyfdujcj'}}}]
```
1. Nachdem Ihre Pipeline-Ausführung abgeschlossen ist, laden Sie die resultierende `evaluation.json` Datei von Amazon S3 herunter, um den Bericht zu überprüfen.
```
evaluation_json = sagemaker.s3.S3Downloader.read_file("{}/evaluation.json".format(
step_eval.arguments["ProcessingOutputConfig"]["Outputs"][0]["S3Output"]["S3Uri"]
))
json.loads(evaluation_json)
```
### Schritt 3: Überschreiben Sie die Standardparameter für eine Pipeline-Ausführung
Sie können zusätzliche Ausführungen der Pipeline ausführen, indem Sie verschiedene Pipeline-Parameter angeben, um die Standardwerte zu überschreiben.
**Um Standardparameter zu überschreiben**
1. Erstellen Sie die Pipeline-Ausführung. Dadurch wird eine weitere Pipeline-Ausführung gestartet, wobei die Überschreibung des Modellgenehmigungsstatus auf „Genehmigt“ gesetzt ist. Das bedeutet, dass die durch den `RegisterModel` Schritt generierte Modellpaketversion automatisch für die Bereitstellung über CI/CD Pipelines bereit ist, z. B. bei SageMaker Projekten. Weitere Informationen finden Sie unter [MLOps Automatisierung mit SageMaker Projekten](sagemaker-projects.md).
```
execution = pipeline.start(
parameters=dict(
ModelApprovalStatus="Approved",
)
)
```
1. Warten Sie bis die Ausführung abgeschlossen ist.
```
execution.wait()
```
1. Listet die Ausführungsschritte und ihren Status auf.
```
execution.list_steps()
```
1. Nachdem Ihre Pipeline-Ausführung abgeschlossen ist, laden Sie die resultierende `evaluation.json` Datei von Amazon S3 herunter, um den Bericht zu überprüfen.
```
evaluation_json = sagemaker.s3.S3Downloader.read_file("{}/evaluation.json".format(
step_eval.arguments["ProcessingOutputConfig"]["Outputs"][0]["S3Output"]["S3Uri"]
))
json.loads(evaluation_json)
```
### Schritt 4: Stoppen und löschen Sie eine Pipeline-Ausführung
Wenn Sie mit Ihrer Pipeline fertig sind, können Sie alle laufenden Ausführungen beenden und die Pipeline löschen.
**Um eine Pipeline-Ausführung zu beenden und zu löschen**
1. Stoppen der Pipeline-Ausführung.
```
execution.stop()
```
1. Löschen der Pipeline.
```
pipeline.delete()
```