Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Bewährte Methoden
<a name="pipelines-step-decorator-best"></a>

In den folgenden Abschnitten finden Sie bewährte Methoden für die Verwendung des `@step` Decorators für Ihre Pipeline-Schritte.

## Verwenden Sie Warm-Pools
<a name="pipelines-step-decorator-best-warmpool"></a>

Verwenden Sie für schnellere Pipeline-Step-Läufe die Funktion zum Warmpooling, die für Trainingsaufgaben bereitgestellt wird. Sie können die Warm-Pool-Funktionalität aktivieren, indem Sie dem `@step` Decorator das `keep_alive_period_in_seconds` Argument zur Verfügung stellen, wie im folgenden Codeausschnitt gezeigt:

```
@step(
   keep_alive_period_in_seconds=900
)
```

Weitere Informationen zu Warm-Pools finden Sie unter [SageMaker KI-verwaltete warme Pools](train-warm-pools.md). 

## Strukturieren Ihres Verzeichnisses
<a name="pipelines-step-decorator-best-dir"></a>

Es wird empfohlen, bei der Verwendung des `@step` Decorators Codemodule zu verwenden. Platzieren Sie das `pipeline.py` Modul, in dem Sie die Schrittfunktionen aufrufen und die Pipeline definieren, im Stammverzeichnis des Workspace. Die empfohlene Struktur sieht wie folgt aus:

```
.
├── 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/
```