Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Bonnes pratiques
Les sections suivantes suggèrent de bonnes pratiques à suivre lorsque vous utilisez le décorateur `@step` pour les étapes de votre pipeline.
## Utilisation de groupes à chaud
Pour accélérer les exécutions des étapes du pipeline, utilisez la fonctionnalité des groupes à chaud fournie pour les tâches d’entraînement. Vous pouvez activer la fonctionnalité des groupes à chaud en fournissant l’argument `keep_alive_period_in_seconds` au décorateur `@step`, comme illustré dans l’extrait de code suivant :
```
@step(
keep_alive_period_in_seconds=900
)
```
Pour plus d’informations sur les groupes d’instances pré-initialisées, consultez [SageMaker Piscines d'eau chaude gérées par l'IA](train-warm-pools.md).
## Structuration de votre répertoire
Il est conseillé d’utiliser des modules de code lors de l’utilisation du décorateur `@step`. Placez le module `pipeline.py`, dans lequel vous invoquez les fonctions d’étape et définissez le pipeline, à la racine de l’espace de travail. La structure recommandée se présente comme suit :
```
.
├── 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/
```