Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Matikan caching langkah
<a name="pipelines-caching-disabling"></a>

Langkah pipeline tidak dijalankan kembali jika Anda mengubah atribut apa pun yang tidak tercantum [Atribut kunci cache default berdasarkan tipe langkah pipa](pipelines-default-keys.md) untuk jenis langkahnya. Namun, Anda dapat memutuskan bahwa Anda tetap ingin langkah pipeline dijalankan kembali. Dalam hal ini, Anda perlu mematikan caching langkah.

Untuk menonaktifkan caching langkah, atur `Enabled` atribut di `CacheConfig` properti definisi langkah dalam definisi langkah ke`false`, seperti yang ditunjukkan pada cuplikan kode berikut:

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

Perhatikan bahwa `ExpireAfter` atribut diabaikan ketika `Enabled` ada`false`.

Untuk mematikan caching untuk langkah pipeline menggunakan Amazon SageMaker Python SDK, tentukan pipeline langkah pipeline Anda, matikan properti, dan `enable_caching` perbarui pipeline.

Setelah Anda menjalankannya lagi, contoh kode berikut mematikan caching untuk langkah pelatihan:

```
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()
```

Atau, matikan `enable_caching` properti setelah Anda mendefinisikan pipeline, memungkinkan satu kode berkelanjutan dijalankan. Contoh kode berikut menunjukkan solusi ini:

```
# 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()
```

Untuk contoh kode yang lebih rinci dan diskusi tentang bagaimana parameter SDK Python memengaruhi caching, lihat [Konfigurasi Caching dalam](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_model_building_pipeline.html#caching-configuration) dokumentasi Amazon Python SDK. SageMaker