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.

# Execute um pipeline
<a name="pipelines-step-decorator-run-pipeline"></a>

A página a seguir descreve como executar um pipeline com o Amazon SageMaker Pipelines, com recursos de SageMaker IA ou localmente.

Inicie uma nova execução de pipeline com a `pipeline.start()` função, como você faria com uma execução de pipeline de SageMaker IA tradicional. Para obter informações sobre a `start()` função, consulte [sagemaker.workflow.pipeline. Pipeline.start](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html#sagemaker.workflow.pipeline.Pipeline.start).

**nota**  
Uma etapa definida usando o decorador `@step` é executada como um trabalho de treinamento. Portanto, esteja ciente das seguintes limitações:  
Limites de instância e limites de tarefas de treinamento em suas contas. Atualize seus limites adequadamente para evitar problemas de limitação de recursos ou controle de utilização.
Os custos monetários associados a cada execução de uma etapa de treinamento no pipeline. Para obter mais detalhes, consulte [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).

## Recupere resultados de uma execução de pipeline localmente
<a name="pipelines-step-decorator-run-pipeline-retrieve"></a>

Para ver o resultado de qualquer etapa da execução de um pipeline, use [execution.result()](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html#sagemaker.workflow.pipeline._PipelineExecution.result           ), conforme mostrado no trecho a seguir:

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

**nota**  
O Pipelines não oferece apoio ao `execution.result()` no modo local.

Você só poderá recuperar resultados de uma etapa de cada vez. Se o nome da etapa foi gerado pela SageMaker IA, você pode recuperar o nome da etapa chamando da `list_steps` seguinte forma:

```
execution.list_step()
```

## Execute um pipeline localmente
<a name="pipelines-step-decorator-run-pipeline-local"></a>

Você pode executar um pipeline com etapas decoradas por `@step` localmente, como faria com as etapas tradicionais do pipeline. Para obter detalhes sobre a execução de pipeline no modo local, consulte [Executar pipelines usando o modo local](pipelines-local-mode.md). Para usar o modo local, forneça um `LocalPipelineSession` em vez de `SageMakerSession` para sua definição de pipeline, conforme mostrado no seguinte exemplo:

```
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()
```