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.

# Ativar o cache de etapas
<a name="pipelines-caching-enabling"></a>

Para ativar o cache de etapas, você deve adicionar a propriedade `CacheConfig` à definição da etapa. As propriedades `CacheConfig` usam o seguinte formato no arquivo de definição do pipeline:

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

O campo `Enabled` indica se o armazenamento em cache está ativado para a etapa específica. Você pode definir o campo como`true`, o que SageMaker instrui a IA a tentar encontrar uma execução anterior da etapa com os mesmos atributos. Ou você pode definir o campo como`false`, o que SageMaker instrui a IA a executar a etapa toda vez que o pipeline for executado. `ExpireAfter`é uma string no formato de [duração ISO 8601](https://en.wikipedia.org/wiki/ISO_8601#Durations) que define o período de tempo limite. A `ExpireAfter` duração pode ser um valor de ano, mês, semana, dia, hora ou minuto. Cada valor consiste em um número seguido por uma letra indicando a unidade de duração. Por exemplo:
+ "30d" = 30 dias
+ "5y" = 5 anos
+ "T16m" = 16 minutos
+ "30dT5h" = 30 dias e 5 horas.

A discussão a seguir descreve o procedimento para ativar o armazenamento em cache para pipelines novos ou preexistentes usando o SDK do Amazon Python SageMaker .

**Ativar o armazenamento em cache para novos pipelines**

Para novos pipelines, inicialize uma instância `CacheConfig` com `enable_caching=True` e forneça-a como entrada para a etapa do pipeline. O seguinte exemplo ativa o armazenamento em cache com um período de tempo limite de 1 hora para uma etapa de treinamento: 

```
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
)
```

**Ativar o armazenamento em cache para pipelines pré-existentes**

Para ativar o armazenamento em cache para pipelines preexistentes e já definidos, ative a propriedade `enable_caching` da etapa e defina `expire_after` como valor de tempo limite. Por fim, atualize o pipeline com `pipeline.upsert()` ou `pipeline.update()`. Depois de executá-lo novamente, o seguinte exemplo de código ativa o armazenamento em cache com um período de tempo limite de 1 hora 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=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()
```

Como alternativa, atualize a configuração do cache depois de já ter definido o pipeline (preexistente), permitindo a execução contínua de um código. O seguinte exemplo de código demonstra esse método:

```
# 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()
```

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