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.

# Ausführen Sie eine Pipeline
<a name="pipelines-step-decorator-run-pipeline"></a>

Auf der folgenden Seite wird beschrieben, wie Sie eine Pipeline mit Amazon SageMaker Pipelines ausführen, entweder mit SageMaker KI-Ressourcen oder lokal.

Starten Sie einen neuen Pipeline-Lauf mit der `pipeline.start()` Funktion wie bei einem herkömmlichen SageMaker KI-Pipeline-Lauf. Informationen zu der `start()` Funktion finden Sie unter [sagemaker.workflow.pipeline. Pipeline.start](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html#sagemaker.workflow.pipeline.Pipeline.start).

**Anmerkung**  
Ein mit dem `@step` Decorateur definierter Schritt wird als Trainingsjob ausgeführt. Beachten Sie daher folgende Einschränkungen:  
Limits für Instances und Trainingsjobs in Ihren Konten. Aktualisieren Sie Ihre Limits entsprechend, um Probleme mit der Drosselung oder dem Ressourcenlimit zu vermeiden.
Die monetären Kosten, die mit jedem anstehenden Trainingsschritt verbunden sind. Weitere Informationen finden Sie unter [ SageMaker Amazon-Preise](https://aws.amazon.com/sagemaker/pricing/).

## Rufen Sie die Ergebnisse einer lokal ausgeführten Pipeline ab
<a name="pipelines-step-decorator-run-pipeline-retrieve"></a>

Um das Ergebnis eines beliebigen Schritts eines Pipeline-Laufs anzuzeigen, verwenden Sie [execution.result ()](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html#sagemaker.workflow.pipeline._PipelineExecution.result           ), wie im folgenden Codeausschnitt gezeigt:

```
execution = pipeline.start()
execution.result(step_name="train")
```

**Anmerkung**  
Pipelines unterstützt `execution.result()` im lokalen Modus nicht.

Sie können nur jeweils Ergebnisse für einen Schritt abrufen. Wenn der Schrittname von SageMaker AI generiert wurde, können Sie den Schrittnamen abrufen, indem Sie `list_steps` wie folgt aufrufen:

```
execution.list_step()
```

## Ausführen Sie eine Pipeline lokal
<a name="pipelines-step-decorator-run-pipeline-local"></a>

Sie können eine Pipeline mit mit `@step` -dekorierten Schritten wie bei herkömmlichen Pipeline-Schritten lokal ausführen. Einzelheiten zu Pipeline-Läufen im lokalen Modus finden Sie unter[Führen Sie Pipelines im lokalen Modus aus](pipelines-local-mode.md). Um den lokalen Modus zu verwenden, fügen Sie Ihrer Pipeline-Definition `LocalPipelineSession` statt a ein `SageMakerSession` hinzu, wie im folgenden Beispiel gezeigt:

```
from sagemaker.workflow.function_step import step
from sagemaker.workflow.pipeline import Pipeline
from sagemaker.workflow.pipeline_context import LocalPipelineSession

@step
def train():
    training_data = s3.download(....)
    ...
    return trained_model
    
step_train_result = train()

local_pipeline_session = LocalPipelineSession()

local_pipeline = Pipeline(
    name="{{<pipeline-name>}}",
    steps=[step_train_result],
    sagemaker_session=local_pipeline_session # needed for local mode
)

local_pipeline.create(role_arn="role_arn")

# pipeline runs locally
execution = local_pipeline.start()
```