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.
Déployer un modèle compilé à l'aide du SageMaker SDK
Vous devez satisfaire à la section des prérequis si le modèle a été compilé à l'aide de AWS SDK for Python (Boto3) AWS CLI, ou de la SageMaker console Amazon. Suivez l'un des cas d'utilisation suivants pour déployer un modèle compilé avec SageMaker Neo en fonction de la façon dont vous avez compilé votre modèle.
Rubriques
Si vous avez compilé votre modèle à l'aide du SageMaker SDK
Le gestionnaire d'objet sagemaker.Modelml_c5
.
predictor = compiled_model.deploy(initial_instance_count = 1, instance_type = 'ml.c5.4xlarge') # Print the name of newly created endpoint print(predictor.endpoint_name)
Si vous avez compilé votre modèle à l'aide de MXnet ou PyTorch
Créez le SageMaker modèle et déployez-le à l'aide de l'API deploy () sous les API Model spécifiques au framework. Pour MXnet, c'est MX NetModelMMS_DEFAULT_RESPONSE_TIMEOUT
environnement sur 500
et spécifier le entry_point
paramètre en tant que script d'inférence (inference.py
) et le source_dir
paramètre en tant qu'emplacement du répertoire (code
) du script d'inférence. Pour préparer le script d'inférence (inference.py
) suivez l'étape Prérequis.
L'exemple suivant montre comment utiliser ces fonctions pour déployer un modèle compilé à l'aide du SageMaker SDK pour Python :
Note
Les politiques AmazonSageMakerFullAccess
et AmazonS3ReadOnlyAccess
doivent être attachées au rôle IAM AmazonSageMaker-ExecutionRole
.
Si vous avez compilé votre modèle à l'aide de Boto3, de SageMaker la console ou de la CLI pour TensorFlow
Créez un objet TensorFlowModel
, puis appelez la fonction deploy :
role='AmazonSageMaker-ExecutionRole' model_path=
'S3 path for model file'
framework_image='inference container arn'
tf_model = TensorFlowModel(model_data=model_path, framework_version='1.15.3', role=role, image_uri=framework_image) instance_type='ml.c5.xlarge' predictor = tf_model.deploy(instance_type=instance_type, initial_instance_count=1)
Pour de plus amples informations, veuillez consulter Deploying directly from model artifacts (Déploiement direct à partir d'artefacts du modèle)
Vous pouvez sélectionner un URI Amazon ECR d'image Docker répondant à vos besoins dans cette liste.
Pour plus d'informations sur la création d'un TensorFlowModel
objet, consultez le SageMaker SDK.
Note
La latence de votre première demande d'inférence peut être élevée si vous déployez votre modèle sur un GPU. Cela vient du fait qu'un noyau de calcul optimisé est créé sur la première demande d'inférence. Nous vous recommandons de créer un fichier de préparation des demandes d'inférence, que vous stockerez à côté de votre fichier de modèle avant de l'envoyer à un TFX. C'est ce que l'on appelle « préparer » le modèle.
L'extrait de code suivant montre comment produire le fichier de préparation pour l'exemple de classification d'image dans la section Prérequis :
import tensorflow as tf from tensorflow_serving.apis import classification_pb2 from tensorflow_serving.apis import inference_pb2 from tensorflow_serving.apis import model_pb2 from tensorflow_serving.apis import predict_pb2 from tensorflow_serving.apis import prediction_log_pb2 from tensorflow_serving.apis import regression_pb2 import numpy as np with tf.python_io.TFRecordWriter("tf_serving_warmup_requests") as writer: img = np.random.uniform(0, 1, size=[224, 224, 3]).astype(np.float32) img = np.expand_dims(img, axis=0) test_data = np.repeat(img, 1, axis=0) request = predict_pb2.PredictRequest() request.model_spec.name = 'compiled_models' request.model_spec.signature_name = 'serving_default' request.inputs['Placeholder:0'].CopyFrom(tf.compat.v1.make_tensor_proto(test_data, shape=test_data.shape, dtype=tf.float32)) log = prediction_log_pb2.PredictionLog( predict_log=prediction_log_pb2.PredictLog(request=request)) writer.write(log.SerializeToString())
Pour plus d'informations sur la façon de « réchauffer » votre modèle, consultez la page TensorFlow TFX