Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Ejecución remota del procesador de características del almacén de características
<a name="feature-store-feature-processor-execute-remotely"></a>

Para ejecutar sus procesadores de funciones en conjuntos de datos grandes que requieren un hardware más potente que el disponible localmente, puede decorar su código con el `@remote` decorador para ejecutar su código Python local como un trabajo de SageMaker entrenamiento distribuido de uno o varios nodos. Para obtener más información sobre cómo ejecutar el código como un trabajo de SageMaker formación, consulte. [Ejecuta tu código local como un trabajo SageMaker de formación](train-remote-decorator.md) 

A continuación hay un ejemplo de uso del decorador `@remote` junto con el decorador `@feature_processor`.

```
from sagemaker.remote_function.spark_config import SparkConfig
from sagemaker.remote_function import remote
from sagemaker.feature_store.feature_processor import CSVDataSource, feature_processor

CSV_DATA_SOURCE = CSVDataSource('s3://bucket/prefix-to-csv/')
OUTPUT_FG = 'arn:aws:sagemaker:us-east-1:123456789012:feature-group/feature-group'

@remote(
    spark_config=SparkConfig(), 
    instance_type="ml.m5.2xlarge",
    dependencies="/local/requirements.txt"
)
@feature_processor(
    inputs=[CSV_DATA_SOURCE], 
    output=OUTPUT_FG,
)
def transform(csv_input_df):
   return csv_input_df
   
transform()
```

El parámetro `spark_config` indica que el trabajo remoto se ejecuta como una aplicación de Spark. La `SparkConfig` instancia se puede usar para configurar la configuración de Spark y proporcionar dependencias adicionales a la aplicación Spark JARs, como archivos y archivos de Python.

Para realizar iteraciones más rápidas a la hora de desarrollar el código de procesamiento de características, puede especificar el argumento `keep_alive_period_in_seconds` en el decorador `@remote` para conservar los recursos configurados en un grupo en caliente para los siguientes trabajos de entrenamiento. Para obtener más información sobre los grupos en caliente, consulte `[KeepAlivePeriodInSeconds](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ResourceConfig.html#sagemaker-Type-ResourceConfig-KeepAlivePeriodInSeconds)` en la Guía de referencia de API.

El siguiente código es un ejemplo de `requirements.txt:` local.

```
sagemaker>=2.167.0
```

Esto instalará la versión del SageMaker SDK correspondiente en una tarea remota necesaria para ejecutar el método anotado por. `@feature-processor`