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.

Práticas recomendadas

As seções a seguir sugerem as práticas recomendadas a serem seguidas ao usar o decorador @step nas etapas do pipeline.

Use grupos de aquecimento

Para uma execução mais rápida das etapas de pipeline, use a funcionalidade de grupos de aquecimento fornecida para trabalhos de treinamento. Você pode ativar a funcionalidade de grupos de aquecimento fornecendo o argumento keep_alive_period_in_seconds ao decorador @step, conforme demonstrado no seguinte trecho:

@step(
   keep_alive_period_in_seconds=900
)

Para obter mais informações sobre grupos quentes, consulte SageMaker Piscinas aquecidas gerenciadas por IA.

Proteja seu diretório

É recomendável usar módulos de código ao usar o decorador @step. Coloque o módulo pipeline.py, no qual você invoca as funções de etapa e define o pipeline, na raiz do espaço de trabalho. A estrutura recomendada é mostrada a seguir:

.
├── 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/

Proteja seus dados serializados

O @step decorador salva as entradas e saídas da função no Amazon S3. Por padrão, a SageMaker IA usa o bucket padrão. Outros projetos ou usuários em sua conta podem compartilhar esse bucket.

Para manter os dados do pipeline seguros, defina S3RootUri em seu arquivo de configuração de SageMaker IA. Use um bucket que somente seu funil usa. O exemplo a seguir mostra como definir esse valor:

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

Para obter mais informações sobre o arquivo de configuração, consulte Arquivo de configuração.