As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Desativar o cache de etapas
<a name="pipelines-caching-disabling"></a>

Uma etapa do pipeline não será executada novamente se você alterar algum atributo que não esteja listado em [Atributos de chave de cache padrão por tipo de etapa do pipeline](pipelines-default-keys.md) como seu tipo de etapa. No entanto, você pode decidir que deseja que a etapa do pipeline seja executada novamente de qualquer maneira. Nesse caso, você precisa desativar o cache de etapas.

Para desativar o armazenamento em cache de etapas, defina o `Enabled` atributo na propriedade `CacheConfig` da definição da etapa como `false`, conforme mostrado no seguinte trecho de código:

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

Observe que o atributo `ExpireAfter` é ignorado quando `Enabled` é `false`.

Para desativar o armazenamento em cache de uma etapa do pipeline usando o SDK do Amazon SageMaker Python, defina o pipeline da etapa do pipeline, desative `enable_caching` a propriedade e atualize o pipeline.

Depois de executá-lo novamente, o seguinte exemplo de código desativa o armazenamento em cache para uma etapa de treinamento:

```
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()
```

Como alternativa, desative a propriedade `enable_caching` depois de já ter definido o pipeline, permitindo a execução contínua de um código. O seguinte exemplo de código demonstra essa solução:

```
# 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()
```

Para exemplos de código mais detalhados e uma discussão sobre como os parâmetros do SDK do Python afetam o armazenamento em cache, consulte [Configuração de cache na documentação do SDK do](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_model_building_pipeline.html#caching-configuration) Amazon Python. SageMaker