Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Menyebarkan Model Kompilasi Menggunakan Boto3
Anda harus memenuhi bagian prasyarat jika model dikompilasi menggunakan AWS SDK for Python (Boto3),, AWS CLI atau konsol Amazon. SageMaker Ikuti langkah-langkah di bawah ini untuk membuat dan menerapkan model yang SageMaker dikompilasi NEO menggunakan Amazon Web Services SDK for Python (Boto3
Topik
Menyebarkan Model
Setelah Anda memenuhi prasyarat, gunakan,, dan APIcreate_model
. create_enpoint_config
create_endpoint
Contoh berikut menunjukkan cara menggunakan API ini untuk menerapkan model yang dikompilasi dengan Neo:
import boto3 client = boto3.client('sagemaker') # create sagemaker model create_model_api_response = client.create_model( ModelName=
'my-sagemaker-model'
, PrimaryContainer={ 'Image':<insert the ECR Image URI>
, 'ModelDataUrl':'s3://path/to/model/artifact/model.tar.gz'
, 'Environment': {} }, ExecutionRoleArn='ARN for AmazonSageMaker-ExecutionRole'
) print ("create_model API response", create_model_api_response) # create sagemaker endpoint config create_endpoint_config_api_response = client.create_endpoint_config( EndpointConfigName='sagemaker-neomxnet-endpoint-configuration'
, ProductionVariants=[ { 'VariantName':<provide your variant name>
, 'ModelName':'my-sagemaker-model
', 'InitialInstanceCount': 1, 'InstanceType':<provide your instance type here>
}, ] ) print ("create_endpoint_config API response", create_endpoint_config_api_response) # create sagemaker endpoint create_endpoint_api_response = client.create_endpoint( EndpointName='provide your endpoint name'
, EndpointConfigName=<insert your endpoint config name>
, ) print ("create_endpoint API response", create_endpoint_api_response)
catatan
AmazonS3ReadOnlyAccess
Kebijakan AmazonSageMakerFullAccess
dan kebijakan harus dilampirkan pada peran AmazonSageMaker-ExecutionRole
IAM.
Untuk sintaks lengkapcreate_model
,create_endpoint_config
, dan create_endpoint
API, lihat create_model
create_endpoint_config
create_endpoint
Jika Anda tidak melatih model Anda menggunakan SageMaker, tentukan variabel lingkungan berikut:
Jika Anda melatih model Anda menggunakan SageMaker, tentukan variabel lingkungan SAGEMAKER_SUBMIT_DIRECTORY
sebagai URI bucket Amazon S3 lengkap yang berisi skrip pelatihan.