As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Implante um modelo compilado usando o Boto3
Você deve atender à seção de pré-requisitos se o modelo tiver sido compilado usando AWS SDK for Python (Boto3) AWS CLI, ou o console da Amazon. SageMaker Siga as etapas abaixo para criar e implantar um modelo SageMaker neocompilado usando o SDK da Amazon Web Services para Python (Boto3)
Tópicos
Implante o modelo
Depois de atender aos pré-requisitos, use as APIs create_model
, create_enpoint_config
e create_endpoint
.
O exemplo a seguir mostra como usar essas APIs para implantar um modelo compilado com o 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)
nota
As políticas AmazonSageMakerFullAccess
e AmazonS3ReadOnlyAccess
devem ser anexadas à função IAM AmazonSageMaker-ExecutionRole
.
Para obter a sintaxe completa das APIs create_model
, create_endpoint_config
e create_endpoint
, consulte create_model
create_endpoint_config
create_endpoint
Se você não treinou seu modelo usando SageMaker, especifique as seguintes variáveis de ambiente:
Se você treinou seu modelo usando SageMaker, especifique a variável de ambiente SAGEMAKER_SUBMIT_DIRECTORY
como o URI completo do bucket do Amazon S3 que contém o script de treinamento.