Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Jalankan pipa
Setelah mendefinisikan langkah-langkah pipeline Anda sebagai grafik asiklik terarah (DAG), Anda dapat menjalankan pipeline Anda, yang menjalankan langkah-langkah yang ditentukan dalam DAG Anda. Panduan berikut menunjukkan cara menjalankan pipeline Amazon SageMaker AI menggunakan editor drag-and-drop visual di Amazon SageMaker Studio atau Amazon Python SageMaker SDK.
## Jalankan pipa (Perancang pipa)
Untuk memulai eksekusi baru pipeline Anda, lakukan hal berikut:
------
#### [ Studio ]
1. Buka SageMaker Studio dengan mengikuti petunjuk di [Luncurkan Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. Di panel navigasi kiri, pilih **Pipelines**.
1. (Opsional) Untuk memfilter daftar saluran pipa berdasarkan nama, masukkan nama pipa lengkap atau sebagian di bidang pencarian.
1. Pilih nama pipeline untuk membuka tampilan detail pipeline.
1. Pilih **Visual Editor** di kanan atas.
1. Untuk memulai eksekusi dari versi terbaru, pilih **Eksekusi.**
1. Untuk memulai eksekusi dari versi tertentu, ikuti langkah-langkah ini:
+ Pilih ikon versi di toolbar bawah untuk membuka panel versi.
+ Pilih versi pipeline yang ingin Anda jalankan.
+ **Arahkan kursor ke item versi untuk menampilkan menu tiga titik, pilih Jalankan.**
+ (Opsional) Untuk melihat versi pipeline sebelumnya, pilih **Pratinjau** dari menu tiga titik di panel versi. Anda juga dapat mengedit versi dengan memilih **Edit** di bilah notifikasi.
**catatan**
Jika pipeline Anda gagal, spanduk status akan menampilkan status **Gagal**. Setelah memecahkan masalah langkah yang gagal, pilih **Coba lagi** pada spanduk status untuk melanjutkan menjalankan pipeline dari langkah itu.
------
#### [ Studio Classic ]
1. Masuk ke Amazon SageMaker Studio Classic. Untuk informasi selengkapnya, lihat [Meluncurkan Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launch.html).
1. Di sidebar Studio Classic, pilih ikon **Beranda** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/studio/icons/house.png)).
1. Pilih **Pipelines** dari menu.
1. Untuk mempersempit daftar saluran pipa dengan nama, masukkan nama pipa lengkap atau sebagian di bidang pencarian.
1. Pilih nama pipeline.
1. Dari tab **Eksekusi** atau **Grafik** dalam daftar eksekusi, pilih **Buat eksekusi**.
1. Masukkan atau perbarui informasi yang diperlukan berikut:
+ **Nama** — Harus unik untuk akun Anda di AWS Wilayah.
+ **ProcessingInstanceCount**— Jumlah instance yang digunakan untuk pemrosesan.
+ **ModelApprovalStatus**- Untuk kenyamanan Anda.
+ **InputDataUrl**— URI Amazon S3 dari data input.
1. Pilih **Mulai**.
Setelah pipeline berjalan, Anda dapat melihat detail eksekusi dengan memilih **Lihat detail** pada spanduk status.
Untuk menghentikan proses, pilih **Berhenti** pada spanduk status. Untuk melanjutkan eksekusi dari tempat itu dihentikan, pilih **Lanjutkan** pada spanduk status.
**catatan**
Jika pipeline Anda gagal, spanduk status akan menampilkan status **Gagal**. Setelah memecahkan masalah langkah yang gagal, pilih **Coba lagi** pada spanduk status untuk melanjutkan menjalankan pipeline dari langkah itu.
------
## Jalankan pipeline (SageMaker Python SDK)
Setelah Anda membuat definisi pipeline menggunakan SageMaker AI Python SDK, Anda dapat mengirimkannya ke SageMaker AI untuk memulai eksekusi Anda. Tutorial berikut menunjukkan cara mengirimkan pipeline, memulai eksekusi, memeriksa hasil eksekusi itu, dan menghapus pipeline Anda.
**Topics**
+ [
### Prasyarat
](#run-pipeline-prereq)
+ [
### Langkah 1: Mulai Pipeline
](#run-pipeline-submit)
+ [
### Langkah 2: Periksa Eksekusi Pipeline
](#run-pipeline-examine)
+ [
### Langkah 3: Ganti Parameter Default untuk Eksekusi Pipeline
](#run-pipeline-parametrized)
+ [
### Langkah 4: Hentikan dan Hapus Eksekusi Pipeline
](#run-pipeline-delete)
### Prasyarat
Tutorial ini membutuhkan yang berikut:
+ Sebuah contoh SageMaker notebook.
+ Definisi pipa pipa. Tutorial ini mengasumsikan Anda menggunakan definisi pipeline yang dibuat dengan menyelesaikan [Tentukan pipa](define-pipeline.md) tutorial.
### Langkah 1: Mulai Pipeline
Pertama, Anda perlu memulai pipa.
**Untuk memulai pipa**
1. Periksa definisi pipa JSON untuk memastikan bahwa itu terbentuk dengan baik.
```
import json
json.loads(pipeline.definition())
```
1. Kirimkan definisi pipeline ke layanan Pipelines untuk membuat pipeline jika tidak ada, atau perbarui pipeline jika ada. Peran yang diteruskan digunakan oleh Pipelines untuk menciptakan semua pekerjaan yang ditentukan dalam langkah-langkah.
```
pipeline.upsert(role_arn=role)
```
1. Mulai eksekusi pipeline.
```
execution = pipeline.start()
```
### Langkah 2: Periksa Eksekusi Pipeline
Selanjutnya, Anda perlu memeriksa eksekusi pipa.
**Untuk memeriksa eksekusi pipa**
1. Jelaskan status eksekusi pipeline untuk memastikan bahwa itu telah dibuat dan dimulai dengan sukses.
```
execution.describe()
```
1. Tunggu eksekusi selesai.
```
execution.wait()
```
1. Buat daftar langkah-langkah eksekusi dan statusnya.
```
execution.list_steps()
```
Output Anda akan terlihat seperti berikut:
```
[{'StepName': 'AbaloneTransform',
'StartTime': datetime.datetime(2020, 11, 21, 2, 41, 27, 870000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 45, 50, 492000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'TransformJob': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:transform-job/pipelines-cfvy1tjuxdq8-abalonetransform-ptyjoef3jy'}}},
{'StepName': 'AbaloneRegisterModel',
'StartTime': datetime.datetime(2020, 11, 21, 2, 41, 26, 929000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 41, 28, 15000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'RegisterModel': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:model-package/abalonemodelpackagegroupname/1'}}},
{'StepName': 'AbaloneCreateModel',
'StartTime': datetime.datetime(2020, 11, 21, 2, 41, 26, 895000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 41, 27, 708000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'Model': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:model/pipelines-cfvy1tjuxdq8-abalonecreatemodel-jl94rai0ra'}}},
{'StepName': 'AbaloneMSECond',
'StartTime': datetime.datetime(2020, 11, 21, 2, 41, 25, 558000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 41, 26, 329000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'Condition': {'Outcome': 'True'}}},
{'StepName': 'AbaloneEval',
'StartTime': datetime.datetime(2020, 11, 21, 2, 37, 34, 767000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 41, 18, 80000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:processing-job/pipelines-cfvy1tjuxdq8-abaloneeval-zfraozhmny'}}},
{'StepName': 'AbaloneTrain',
'StartTime': datetime.datetime(2020, 11, 21, 2, 34, 55, 867000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 37, 34, 34000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'TrainingJob': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:training-job/pipelines-cfvy1tjuxdq8-abalonetrain-tavd6f3wdf'}}},
{'StepName': 'AbaloneProcess',
'StartTime': datetime.datetime(2020, 11, 21, 2, 30, 27, 160000, tzinfo=tzlocal()),
'EndTime': datetime.datetime(2020, 11, 21, 2, 34, 48, 390000, tzinfo=tzlocal()),
'StepStatus': 'Succeeded',
'CacheHitResult': {'SourcePipelineExecutionArn': ''},
'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-2:111122223333:processing-job/pipelines-cfvy1tjuxdq8-abaloneprocess-mgqyfdujcj'}}}]
```
1. Setelah eksekusi pipeline Anda selesai, unduh `evaluation.json` file yang dihasilkan dari Amazon S3 untuk memeriksa laporan.
```
evaluation_json = sagemaker.s3.S3Downloader.read_file("{}/evaluation.json".format(
step_eval.arguments["ProcessingOutputConfig"]["Outputs"][0]["S3Output"]["S3Uri"]
))
json.loads(evaluation_json)
```
### Langkah 3: Ganti Parameter Default untuk Eksekusi Pipeline
Anda dapat menjalankan eksekusi tambahan dari pipeline dengan menentukan parameter pipeline yang berbeda untuk mengganti default.
**Untuk mengganti parameter default**
1. Buat eksekusi pipeline. Ini memulai eksekusi pipeline lain dengan penggantian status persetujuan model disetel ke “Disetujui”. Ini berarti bahwa versi paket model yang dihasilkan oleh `RegisterModel` langkah secara otomatis siap untuk penyebaran melalui CI/CD pipeline, seperti dengan SageMaker Projects. Untuk informasi selengkapnya, lihat [MLOps Otomatisasi Dengan SageMaker Proyek](sagemaker-projects.md).
```
execution = pipeline.start(
parameters=dict(
ModelApprovalStatus="Approved",
)
)
```
1. Tunggu eksekusi selesai.
```
execution.wait()
```
1. Buat daftar langkah-langkah eksekusi dan statusnya.
```
execution.list_steps()
```
1. Setelah eksekusi pipeline Anda selesai, unduh `evaluation.json` file yang dihasilkan dari Amazon S3 untuk memeriksa laporan.
```
evaluation_json = sagemaker.s3.S3Downloader.read_file("{}/evaluation.json".format(
step_eval.arguments["ProcessingOutputConfig"]["Outputs"][0]["S3Output"]["S3Uri"]
))
json.loads(evaluation_json)
```
### Langkah 4: Hentikan dan Hapus Eksekusi Pipeline
Setelah selesai dengan pipeline, Anda dapat menghentikan eksekusi yang sedang berlangsung dan menghapus pipeline.
**Untuk menghentikan dan menghapus eksekusi pipeline**
1. Hentikan eksekusi pipa.
```
execution.stop()
```
1. Hapus pipa.
```
pipeline.delete()
```