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.

# Desactivación del almacenamiento en caché de pasos
<a name="pipelines-caching-disabling"></a>

Un paso de canalización no se vuelve a ejecutar si cambia algún atributo que no aparezca enumerado en [Atributos clave de caché predeterminados por tipo de paso de la canalización](pipelines-default-keys.md) de su tipo de paso. Sin embargo, puede decidir que desea que el paso de canalización se vuelva a ejecutar de todos modos. En este caso, debe desactivar el almacenamiento en caché de pasos.

Para desactivar el almacenamiento en caché de pasos, defina el atributo `Enabled` de la propiedad `CacheConfig` en la definición del paso en `false`, tal y como se muestra en el siguiente fragmento de código:

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

Tenga en cuenta que el atributo `ExpireAfter` se pasa por alto cuando `Enabled` es `false`.

Para desactivar el almacenamiento en caché de un paso de canalización mediante el SDK de Amazon SageMaker Python, defina la canalización de su paso de canalización, desactive la `enable_caching` propiedad y actualice la canalización.

Una vez que se ejecute de nuevo, el siguiente ejemplo de código activa el almacenamiento en caché para un paso de entrenamiento:

```
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()
```

Como alternativa, desactive la propiedad `enable_caching` una vez que haya definido la canalización, lo que permitirá ejecutar el código de forma continua. En el siguiente ejemplo de código se muestra esta solución:

```
# 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()
```

Para obtener ejemplos de código más detallados y un análisis sobre cómo los parámetros del SDK de Python afectan al almacenamiento en caché, consulte [Configuración del almacenamiento en caché](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_model_building_pipeline.html#caching-configuration) en la documentación del SDK de Amazon SageMaker Python.