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).

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

AmazonS3ReadOnlyAccessKebijakan 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, dan create_endpoint, masing-masing.

Jika Anda tidak melatih model Anda menggunakan SageMaker, tentukan variabel lingkungan berikut:

MXNet and PyTorch

"Environment": {
    "SAGEMAKER_PROGRAM": "inference.py",
    "SAGEMAKER_SUBMIT_DIRECTORY": "/opt/ml/model/code",
    "SAGEMAKER_CONTAINER_LOG_LEVEL": "20",
    "SAGEMAKER_REGION": "insert your region",
    "MMS_DEFAULT_RESPONSE_TIMEOUT": "500"
}

TensorFlow

"Environment": {
    "SAGEMAKER_PROGRAM": "inference.py",
    "SAGEMAKER_SUBMIT_DIRECTORY": "/opt/ml/model/code",
    "SAGEMAKER_CONTAINER_LOG_LEVEL": "20",
    "SAGEMAKER_REGION": "insert your region"
}

Jika Anda melatih model Anda menggunakan SageMaker, tentukan variabel lingkungan SAGEMAKER_SUBMIT_DIRECTORY sebagai URI bucket Amazon S3 lengkap yang berisi skrip pelatihan.