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

# Aktifkan caching langkah
<a name="pipelines-caching-enabling"></a>

Untuk mengaktifkan caching langkah, Anda harus menambahkan `CacheConfig` properti ke definisi langkah. `CacheConfig`properti menggunakan format berikut dalam file definisi pipeline:

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

`Enabled`Bidang menunjukkan apakah caching dihidupkan untuk langkah tertentu. Anda dapat mengatur bidang ke`true`, yang memberi tahu SageMaker AI untuk mencoba menemukan langkah langkah sebelumnya dengan atribut yang sama. Atau, Anda dapat mengatur bidang ke`false`, yang memberi tahu SageMaker AI untuk menjalankan langkah setiap kali pipeline berjalan. `ExpireAfter`adalah string dalam format [durasi ISO 8601](https://en.wikipedia.org/wiki/ISO_8601#Durations) yang menentukan periode batas waktu. `ExpireAfter`Durasi dapat berupa nilai tahun, bulan, minggu, hari, jam, atau menit. Setiap nilai terdiri dari angka diikuti dengan huruf yang menunjukkan satuan durasi. Contoh:
+ “30d” = 30 hari
+ “5y” = 5 tahun
+ “T16m” = 16 menit
+ “30dT5h” = 30 hari dan 5 jam.

Diskusi berikut menjelaskan prosedur untuk mengaktifkan caching untuk pipeline baru atau yang sudah ada sebelumnya menggunakan Amazon Python SageMaker SDK.

**Aktifkan caching untuk saluran pipa baru**

Untuk pipeline baru, inisialisasi `CacheConfig` instance dengan `enable_caching=True` dan berikan sebagai input ke langkah pipeline Anda. Contoh berikut mengaktifkan caching dengan periode batas waktu 1 jam untuk langkah pelatihan: 

```
from sagemaker.workflow.pipeline_context import PipelineSession
from sagemaker.workflow.steps import CacheConfig
      
cache_config = CacheConfig(enable_caching=True, expire_after="PT1H")
estimator = Estimator(..., sagemaker_session=PipelineSession())

step_train = TrainingStep(
    name="TrainAbaloneModel",
    step_args=estimator.fit(inputs=inputs),
    cache_config=cache_config
)
```

**Aktifkan caching untuk pipeline yang sudah ada sebelumnya**

Untuk mengaktifkan caching untuk pipeline yang sudah ada sebelumnya dan sudah ditentukan, nyalakan `enable_caching` properti untuk langkah tersebut, dan setel `expire_after` ke nilai batas waktu. Terakhir, perbarui pipeline dengan `pipeline.upsert()` atau`pipeline.update()`. Setelah Anda menjalankannya lagi, contoh kode berikut mengaktifkan caching dengan periode batas waktu 1 jam 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=True, 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]
)

# additional step for existing pipelines
pipeline.update()
# or, call upsert() to update the pipeline
# pipeline.upsert()
```

Atau, perbarui konfigurasi cache setelah Anda mendefinisikan pipeline (yang sudah ada sebelumnya), memungkinkan satu kode berkelanjutan dijalankan. Contoh kode berikut menunjukkan metode ini:

```
# turn on caching with timeout period of one hour
pipeline.steps[0].cache_config.enable_caching = True 
pipeline.steps[0].cache_config.expire_after = "PT1H" 

# additional step for existing pipelines
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