本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 使用本地模式运行管道
<a name="pipelines-local-mode"></a>

SageMaker 在托管 A SageMaker I 服务上执行管道之前，Pipelines 本地模式是测试训练、处理和推理脚本以及[管道参数](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_model_building_pipeline.html#pipeline-parameters)的运行时兼容性的简便方法。通过使用本地模式，您可以使用较小的数据集在本地测试 SageMaker AI 管道。这样可以快速轻松地调试用户脚本和管道定义本身中的错误，而不会产生使用托管服务的成本。下面的主题将介绍如何在本地定义和运行管道。

Pipelines 本地模式在幕后利用 [SageMaker AI 作业本地模式](https://sagemaker.readthedocs.io/en/stable/overview.html#local-mode)。这是 SageMaker Python SDK 中的一项功能，允许你使用 Docker 容器在本地运行 SageMaker AI 内置镜像或自定义镜像。管道本地模式建立在 SageMaker AI 作业本地模式之上。因此，您将会看到与单独运行这些作业时相同的结果。例如，本地模式仍使用 Amazon S3 上传模型构件和处理输出。如果要将本地作业生成的数据存储在本地磁盘上，可以使用[本地模式](https://sagemaker.readthedocs.io/en/stable/overview.html#local-mode)中提到的设置。

管道本地模式目前支持以下步骤类型：
+ [训练步骤](build-and-manage-steps-types.md#step-type-training)
+ [处理步骤](build-and-manage-steps-types.md#step-type-processing)
+ [转换步骤](build-and-manage-steps-types.md#step-type-transform)
+ [模型步骤](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-model-create)（仅具有“创建模型”参数）
+ [条件步骤](build-and-manage-steps-types.md#step-type-condition)
+ [Fail 步骤](build-and-manage-steps-types.md#step-type-fail)

托管管道服务允许使用[并行配置](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html#parallelism-configuration)并行执行多个步骤，而本地管道执行程序则是按顺序运行步骤。因此，本地管道的总体执行性能可能比在云上运行的管道差，这主要取决于数据集的大小、算法以及本地计算机的性能。另请注意，在本地模式下运行的流水线不会记录在[SageMaker 实验](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-experiments.html)中。

**注意**  
管道本地模式与 SageMaker AI 算法不兼容，例如 XGBoost。如果要使用这些算法，则必须在[脚本模式](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-script-mode/sagemaker-script-mode.html)下使用它们。

为了在本地执行管道，与管道步骤和管道本身关联的 `sagemaker_session` 字段必须是 `LocalPipelineSession` 类型。以下示例显示了如何定义要在本地执行的 A SageMaker I 管道。

```
from sagemaker.workflow.pipeline_context import LocalPipelineSession
from sagemaker.pytorch import PyTorch
from sagemaker.workflow.steps import TrainingStep
from sagemaker.workflow.pipeline import Pipeline

local_pipeline_session = LocalPipelineSession()

pytorch_estimator = PyTorch(
    sagemaker_session=local_pipeline_session,
    role=sagemaker.get_execution_role(),
    instance_type="ml.c5.xlarge",
    instance_count=1,
    framework_version="1.8.0",
    py_version="py36",
    entry_point="./entry_point.py",
)

step = TrainingStep(
    name="MyTrainingStep",
    step_args=pytorch_estimator.fit(
        inputs=TrainingInput(s3_data="s3://amzn-s3-demo-bucket/my-data/train"),
    )
)

pipeline = Pipeline(
    name="MyPipeline",
    steps=[step],
    sagemaker_session=local_pipeline_session
)

pipeline.create(
    role_arn=sagemaker.get_execution_role(), 
    description="local pipeline example"
)

// pipeline will execute locally
execution = pipeline.start()

steps = execution.list_steps()

training_job_name = steps['PipelineExecutionSteps'][0]['Metadata']['TrainingJob']['Arn']

step_outputs = pipeline_session.sagemaker_client.describe_training_job(TrainingJobName = training_job_name)
```

准备好在托管 Pipelin SageMaker es 服务上执行管道后，可以通过将前面的代码片段`LocalPipelineSession`中的替换为`PipelineSession`（如以下代码示例所示），然后重新运行代码来实现。

```
from sagemaker.workflow.pipeline_context import PipelineSession

pipeline_session = PipelineSession()
```