Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Attivazione della memorizzazione nella cache delle fasi
"
}
}
```
Il campo `Enabled` indica se la memorizzazione nella cache è attivata per la fase specifica. Puoi impostare il campo su`true`, che indica all' SageMaker IA di cercare di trovare un'esecuzione precedente del passaggio con gli stessi attributi. In alternativa, puoi impostare il campo su`false`, che indica all' SageMaker IA di eseguire il passaggio ogni volta che viene eseguita la pipeline. `ExpireAfter`è una stringa in formato di [durata ISO 8601](https://en.wikipedia.org/wiki/ISO_8601#Durations) che definisce il periodo di timeout. La durata `ExpireAfter` può essere un valore espresso in anni, mesi, settimane, giorni, ore o minuti. Ogni valore è costituito da un numero seguito da una lettera che indica l'unità di durata. Esempio:
+ "30d" = 30 giorni
+ "5y" = 5 anni
+ "T16m" = 16 minuti
+ "30DT5h" = 30 giorni e 5 ore.
La discussione seguente descrive la procedura per attivare la memorizzazione nella cache per pipeline nuove o preesistenti utilizzando l'SDK Amazon Python SageMaker .
**Attivazione della memorizzazione nella cache per nuove pipeline**
Per le nuove pipeline, inizializza un'istanza `CacheConfig` con `enable_caching=True` e forniscila come input per la fase della pipeline. L'esempio seguente attiva la memorizzazione nella cache con un periodo di timeout di 1 ora per una fase di addestramento:
```
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
)
```
**Attivazione della memorizzazione nella cache per pipeline preesistenti**
Per attivare la memorizzazione nella cache per pipeline preesistenti e già definite, attiva la proprietà `enable_caching` per la fase e imposta un valore di timeout per `expire_after`. Infine, aggiorna la pipeline con `pipeline.upsert()` o `pipeline.update()`. Una volta eseguito di nuovo, il seguente esempio di codice attiva la memorizzazione nella cache con un periodo di timeout di 1 ora per una fase di addestramento:
```
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()
```
In alternativa, aggiorna la configurazione della cache dopo aver già definito la pipeline (preesistente), consentendo l'esecuzione continua del codice. Il seguente esempio di codice illustra questo metodo:
```
# 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()
```
Per esempi di codice più dettagliati e una discussione su come i parametri di Python SDK influiscono sulla memorizzazione nella cache, consulta Caching [Configuration nella documentazione](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_model_building_pipeline.html#caching-configuration) di Amazon Python SDK. SageMaker