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

Praktik Terbaik

Bagian berikut menyarankan praktik terbaik untuk diikuti ketika Anda menggunakan @step dekorator untuk langkah-langkah pipeline Anda.

Gunakan kolam hangat

Untuk langkah pipa yang lebih cepat berjalan, gunakan fungsionalitas penyatuan hangat yang disediakan untuk pekerjaan pelatihan. Anda dapat mengaktifkan fungsionalitas kolam hangat dengan memberikan keep_alive_period_in_seconds argumen kepada @step dekorator seperti yang ditunjukkan dalam cuplikan berikut:

@step(
   keep_alive_period_in_seconds=900
)

Untuk informasi lebih lanjut tentang kolam hangat, lihatSageMaker Kolam Hangat yang Dikelola AI.

Struktur direktori Anda

Anda disarankan untuk menggunakan modul kode saat menggunakan @step dekorator. Letakkan pipeline.py modul, di mana Anda menjalankan fungsi langkah dan menentukan pipeline, di root ruang kerja. Struktur yang direkomendasikan ditunjukkan sebagai berikut:

.
├── config.yaml # the configuration file that define the infra settings
├── requirements.txt # dependencies
├── pipeline.py  # invoke @step-decorated functions and define the pipeline here
├── steps/
| ├── processing.py
| ├── train.py
├── data/
├── test/

Amankan data serial Anda

@stepDekorator menyimpan input dan output fungsi ke Amazon S3. Secara default, SageMaker AI menggunakan bucket default. Proyek atau pengguna lain di akun Anda mungkin membagikan bucket ini.

Untuk menjaga data pipeline Anda tetap aman, atur S3RootUri dalam file konfigurasi SageMaker AI Anda. Gunakan ember yang hanya digunakan pipa Anda. Contoh berikut menunjukkan cara mengatur nilai ini:

SchemaVersion: '1.0'
SageMaker:
  PythonSDK:
    Modules:
      RemoteFunction:
        S3RootUri: 's3://amzn-s3-demo-bucket/pipeline-data'

Untuk informasi selengkapnya tentang file konfigurasi, lihat File konfigurasi.