Kode Inferensi Kustom dengan Layanan Hosting

Bagian ini menjelaskan bagaimana Amazon SageMaker AI berinteraksi dengan wadah Docker yang menjalankan kode inferensi Anda sendiri untuk layanan hosting. Gunakan informasi ini untuk menulis kode inferensi dan membuat gambar Docker.

Topik

• Bagaimana SageMaker AI Menjalankan Gambar Inferensi Anda
• Bagaimana SageMaker AI Memuat Artefak Model Anda
• Bagaimana Kontainer Anda Harus Menanggapi Permintaan Inferensi
• Bagaimana Kontainer Anda Harus Menanggapi Permintaan Pemeriksaan Kesehatan (Ping)
• Gunakan Private Docker Registry untuk Wadah Inferensi Real-Time

Bagaimana SageMaker AI Menjalankan Gambar Inferensi Anda

Untuk mengonfigurasi wadah agar dijalankan sebagai executable, gunakan ENTRYPOINT instruksi dalam Dockerfile. Perhatikan hal berikut:

• Untuk inferensi model, SageMaker AI menjalankan wadah sebagai:

  docker run image serve

  SageMaker AI mengganti CMD pernyataan default dalam wadah dengan menentukan serve argumen setelah nama gambar. serveArgumen mengesampingkan argumen yang Anda berikan dengan CMD perintah di Dockerfile.

   

• SageMaker AI mengharapkan semua kontainer berjalan dengan pengguna root. Buat wadah Anda sehingga hanya menggunakan pengguna root. Saat SageMaker AI menjalankan penampung Anda, pengguna yang tidak memiliki akses tingkat root dapat menyebabkan masalah izin.

   

• Kami menyarankan Anda menggunakan exec bentuk ENTRYPOINT instruksi:

  ENTRYPOINT ["executable", "param1", "param2"]

  Sebagai contoh:

  ENTRYPOINT ["python", "k_means_inference.py"]

  execBentuk ENTRYPOINT instruksi memulai eksekusi secara langsung, bukan sebagai anak dari. /bin/sh Ini memungkinkannya untuk menerima sinyal seperti SIGTERM dan SIGKILL dari SageMaker API operasi, yang merupakan persyaratan.

   

  Misalnya, saat Anda menggunakan CreateEndpointAPIuntuk membuat titik akhir, SageMaker AI menyediakan jumlah instans komputasi ML yang diperlukan oleh konfigurasi titik akhir, yang Anda tentukan dalam permintaan. SageMaker AI menjalankan wadah Docker pada instance tersebut.

   

  Jika Anda mengurangi jumlah instance yang mendukung titik akhir (dengan memanggil UpdateEndpointWeightsAndCapacitiesAPI), SageMaker AI menjalankan perintah untuk menghentikan wadah Docker pada instance yang sedang dihentikan. Perintah mengirimkan SIGTERM sinyal, kemudian mengirimkan SIGKILL sinyal tiga puluh detik kemudian.

   

  Jika Anda memperbarui titik akhir (dengan memanggil UpdateEndpointAPI), SageMaker AI meluncurkan set instance komputasi HTML lainnya dan menjalankan container Docker yang berisi kode inferensi Anda di dalamnya. Kemudian menjalankan perintah untuk menghentikan kontainer Docker sebelumnya. Untuk menghentikan kontainer Docker, perintah mengirimkan SIGTERM sinyal, lalu mengirimkan SIGKILL sinyal 30 detik kemudian.

   

• SageMaker AI menggunakan definisi container yang Anda berikan dalam CreateModelpermintaan untuk menyetel variabel lingkungan dan DNS nama host untuk container sebagai berikut:

   

  • Ini menetapkan variabel lingkungan menggunakan ContainerDefinition.Environment string-to-string peta.

  • Ini menetapkan DNS nama host menggunakan file. ContainerDefinition.ContainerHostname

     

• Jika Anda berencana menggunakan GPU perangkat untuk inferensi model (dengan menentukan instance komputasi HTML GPU berbasis dalam CreateEndpointConfig permintaan Anda), pastikan container Anda kompatibel. nvidia-docker Jangan bundel NVIDIA driver dengan gambar. Untuk informasi selengkapnyanvidia-docker, lihat NVIDIA/nvidia-docker.

   

• Anda tidak dapat menggunakan tini penginisialisasi sebagai titik masuk Anda dalam wadah SageMaker AI karena bingung dengan argumen train danserve.

Bagaimana SageMaker AI Memuat Artefak Model Anda

Dalam CreateModelAPIpermintaan Anda, Anda dapat menggunakan S3DataSource parameter ModelDataUrl atau untuk mengidentifikasi lokasi S3 tempat artefak model disimpan. SageMaker AI menyalin artefak model Anda dari lokasi S3 ke /opt/ml/model direktori untuk digunakan oleh kode inferensi Anda. Kontainer Anda memiliki akses hanya-baca ke. /opt/ml/model Jangan menulis ke direktori ini.

ModelDataUrlHarus menunjuk ke file tar.gz. Jika tidak, SageMaker AI tidak akan mengunduh file.

Jika Anda melatih model Anda dalam SageMaker AI, artefak model disimpan sebagai file tar terkompresi tunggal di Amazon S3. Jika Anda melatih model Anda di luar SageMaker AI, Anda perlu membuat file tar terkompresi tunggal ini dan menyimpannya di lokasi S3. SageMaker AI mendekompresi into /opt/ml/model direktori file tar ini sebelum penampung Anda dimulai.

Untuk menerapkan model besar, kami sarankan Anda mengikutiMenerapkan model yang tidak terkompresi.

Bagaimana Kontainer Anda Harus Menanggapi Permintaan Inferensi

Untuk mendapatkan kesimpulan, aplikasi klien mengirimkan POST permintaan ke titik akhir SageMaker AI. SageMaker AI meneruskan permintaan ke wadah, dan mengembalikan hasil inferensi dari wadah ke klien.

Untuk informasi selengkapnya tentang permintaan inferensi yang akan diterima container Anda, lihat tindakan berikut di APIReferensi Amazon SageMaker AI:

• InvokeEndpoint

• InvokeEndpointAsync

• InvokeEndpointWithResponseStream

Persyaratan untuk wadah inferensi

Untuk menanggapi permintaan inferensi, kontainer Anda harus memenuhi persyaratan berikut:

• SageMaker AI menghapus semua POST header kecuali yang didukung olehInvokeEndpoint. SageMaker AI mungkin menambahkan header tambahan. Wadah inferensi harus dapat dengan aman mengabaikan header tambahan ini.

• Untuk menerima permintaan inferensi, penampung harus memiliki server web yang mendengarkan pada port 8080 dan harus menerima POST permintaan ke /invocations dan /ping titik akhir.

• Kontainer model pelanggan harus menerima permintaan koneksi soket dalam 250 ms.

• Kontainer model pelanggan harus menanggapi permintaan dalam waktu 60 detik. Model itu sendiri dapat memiliki waktu pemrosesan maksimum 60 detik sebelum merespons. /invocations Jika model Anda akan memakan waktu 50-60 detik waktu pemrosesan, batas waktu SDK soket harus diatur menjadi 70 detik.

contoh fungsi pemanggilan

Contoh berikut menunjukkan bagaimana kode dalam wadah Anda dapat memproses permintaan inferensi. Contoh-contoh ini menangani permintaan yang dikirim aplikasi klien dengan menggunakan InvokeEndpoint tindakan.

FastAPI

Fast API adalah kerangka kerja web untuk membangun APIs dengan Python.

from fastapi import FastAPI, status, Request, Response
. . .
app = FastAPI()
. . .
@app.post('/invocations')
async def invocations(request: Request):
    # model() is a hypothetical function that gets the inference output:
    model_resp = await model(Request)

    response = Response(
        content=model_resp,
        status_code=status.HTTP_200_OK,
        media_type="text/plain",
    )
    return response
. . .

Dalam contoh ini, invocations fungsi menangani permintaan inferensi yang dikirim SageMaker AI ke titik /invocations akhir.

Flask

Flask adalah kerangka kerja untuk mengembangkan aplikasi web dengan Python.

import flask
. . .
app = flask.Flask(__name__)
. . .
@app.route('/invocations', methods=["POST"])
def invoke(request):
    # model() is a hypothetical function that gets the inference output:
    resp_body = model(request)
    return flask.Response(resp_body, mimetype='text/plain')
    

Dalam contoh ini, invoke fungsi menangani permintaan inferensi yang dikirim SageMaker AI ke titik /invocations akhir.

contoh fungsi pemanggilan untuk permintaan streaming

Contoh berikut menunjukkan bagaimana kode dalam wadah inferensi Anda dapat memproses permintaan inferensi streaming. Contoh-contoh ini menangani permintaan yang dikirim aplikasi klien dengan menggunakan InvokeEndpointWithResponseStream tindakan.

Ketika sebuah wadah menangani permintaan inferensi streaming, ia mengembalikan inferensi model sebagai serangkaian bagian secara bertahap saat model menghasilkannya. Aplikasi klien mulai menerima tanggapan segera ketika tersedia. Mereka tidak perlu menunggu model untuk menghasilkan seluruh respons. Anda dapat menerapkan streaming untuk mendukung pengalaman interaktif yang cepat, seperti chatbots, asisten virtual, dan generator musik.

FastAPI

Fast API adalah kerangka kerja web untuk membangun APIs dengan Python.

from starlette.responses import StreamingResponse
from fastapi import FastAPI, status, Request
. . .
app = FastAPI()
. . .
@app.post('/invocations')
async def invocations(request: Request):
    # Streams inference response using HTTP chunked encoding
    async def generate():
        # model() is a hypothetical function that gets the inference output:
        yield await model(Request)
        yield "\n"

    response = StreamingResponse(
        content=generate(),
        status_code=status.HTTP_200_OK,
        media_type="text/plain",
    )
    return response
. . .

Dalam contoh ini, invocations fungsi menangani permintaan inferensi yang dikirim SageMaker AI ke titik /invocations akhir. Untuk streaming respon, contoh menggunakan StreamingResponse kelas dari kerangka Starlette.

Flask

Flask adalah kerangka kerja untuk mengembangkan aplikasi web dengan Python.

import flask
. . .
app = flask.Flask(__name__)
. . .
@app.route('/invocations', methods=["POST"])
def invocations(request):
    # Streams inference response using HTTP chunked encoding

    def generate():
        # model() is a hypothetical function that gets the inference output:
        yield model(request)
        yield "\n"
    return flask.Response(
        flask.stream_with_context(generate()), mimetype='text/plain')
. . .

Dalam contoh ini, invocations fungsi menangani permintaan inferensi yang dikirim SageMaker AI ke titik /invocations akhir. Untuk mengalirkan respons, contoh menggunakan flask.stream_with_context fungsi dari kerangka Flask.

Bagaimana Kontainer Anda Harus Menanggapi Permintaan Pemeriksaan Kesehatan (Ping)

SageMaker AI meluncurkan wadah inferensi baru dalam situasi berikut:

• MenanggapiCreateEndpoint,UpdateEndpoint, dan panggilan UpdateEndpointWeightsAndCapacities API

• Membuat patch keamanan

• Mengganti instance yang tidak sehat

Segera setelah startup kontainer, SageMaker AI mulai mengirim GET permintaan berkala ke /ping titik akhir.

Persyaratan paling sederhana pada wadah adalah merespons dengan kode status HTTP 200 dan badan kosong. Ini menunjukkan kepada SageMaker AI bahwa wadah siap menerima permintaan inferensi di titik /invocations akhir.

Jika wadah tidak mulai lulus pemeriksaan kesehatan dengan merespons secara konsisten dengan 200s selama 8 menit setelah startup, peluncuran instance baru gagal. Hal ini CreateEndpoint menyebabkan kegagalan, meninggalkan titik akhir dalam keadaan gagal. Pembaruan yang diminta oleh UpdateEndpoint tidak selesai, patch keamanan tidak diterapkan, dan instance yang tidak sehat tidak diganti.

Sementara bilah minimum adalah wadah mengembalikan 200 statis, pengembang kontainer dapat menggunakan fungsi ini untuk melakukan pemeriksaan lebih dalam. Batas waktu permintaan pada /ping upaya adalah 2 detik.