執行管道 - Amazon SageMaker AI
從本機執行的管道擷取結果在本機執行管道

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

執行管道

下頁描述如何使用 Amazon SageMaker Pipelines 執行管道，無論是搭配 SageMaker AI 資源還是在本機。

使用 pipeline.start() 函式啟動新的管道執行，就像傳統 SageMaker AI 管道執行一樣。如需 start() 函式的相關資訊，請參閱 sagemaker.workflow.pipeline.Pipeline.start。

注意

使用 @step 裝飾項目定義的步驟會做為訓練任務執行。因此，請注意下列限制：

  • 您帳戶中的執行個體限制和訓練任務限制。相應地更新您的限制，以避免發生任何限流或資源限制問題。

  • 與管道中每個訓練步驟執行相關聯的金錢成本。如需詳細資訊，請參閱 Amazon SageMaker 定價。

從本機執行的管道擷取結果

若要檢視管道執行任何步驟的結果，請使用 execution.result()，如下列程式碼片段所示：

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

Pipelines 不支援本機模式下的 execution.result()。

您一次只能擷取一個步驟的結果。如果步驟名稱是由 SageMaker AI 產生，您可以呼叫 list_steps 來擷取步驟名稱，如下所示：

execution.list_step()

在本機執行管道

您可以像執行傳統管道步驟一樣，使用 @step 裝飾步驟在本機執行管道。如需本機模式管道執行的詳細資訊，請參閱使用本機模式執行管道。若要使用本機模式，請將 LocalPipelineSession 而非 SageMakerSession 提供給管道定義，如下列範例所示：

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()