打包模型 - Amazon SageMaker
先决条件
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

打包模型

SageMaker Edge Manager 打包作业采用 Amazon SageMaker NEO 编译的模型，并进行任何必要的更改，以便使用推理引擎 Edge Manager 代理部署模型。

主题

先决条件

要打包模型，您必须执行以下操作：

  1. 使用 SageMaker Neo 编译机器学习模型。

    如果您尚未完成此操作，请使用 SageMaker Neo 编译模型。有关如何编译模型的更多信息，请参阅使用 Neo 编译和部署模型。如果您是首次使用 SageMaker Neo，请阅读 Neo Edge 设备入门。

  2. 获取您的编译作业的名字。

    提供使用 SageMaker Neo 编译模型时使用的编译作业名称。通过 https://console.aws.amazon.com/sagemaker/ 打开 SageMaker 控制台，然后选择编译作业，查找已提交到 Amazon 账户的编译列表。已提交的编译作业的名称在名称列中。

  3. 获取您的 IAM ARN。

    您需要 IAM 角色的 Amazon 资源名称 (ARN)，您可以使用该名称下载和上传模型以及联系 SageMaker Neo。

    使用以下方法之一获取您的 IAM ARN：

    • 以编程方式使用 SageMaker Python SDK

      import sagemaker

# Initialize SageMaker Session object so you can interact with Amazon resources
sess = sagemaker.Session()

# Get the role ARN 
role = sagemaker.get_execution_role()

print(role)
>> arn:aws:iam::<your-aws-account-id>:role/<your-role-name>

      有关使用 SageMaker Python SDK 的更多信息，请参阅 SageMaker Python SDK API。

    • 使用 Amazon Identity and Access Management (IAM) 控制台

      通过以下网址导航到 IAM 控制台：https://console.aws.amazon.com/iam/。在 IAM 资源部分，选择角色以查看您的 Amazon 账户中的角色列表。选择或创建具有 AmazonSageMakerFullAccess、AWSIoTFullAccess 和 AmazonS3FullAccess 的角色。

      有关 IAM 的更多信息，请参阅什么是 IAM？

  4. 有 S3 存储桶 URI。

    您至少需要一个 Amazon Simple Storage Service (Amazon S3) 存储桶 URI 来存储经过 Neo 编译的模型、Edge Manager 打包作业的输出以及设备队列中的示例数据。

    使用以下方法之一创建 Amazon S3 存储桶：

    • 以编程方式使用 SageMaker Python SDK

      您可以在会话期间使用默认 Amazon S3 存储桶。默认存储桶是基于以下格式创建的：sagemaker-{region}-{aws-account-id}。要使用 SageMaker Python SDK 创建默认存储桶，请使用以下命令：

      import sagemaker

session=sagemaker.create_session()

bucket=session.default_bucket()

    • 使用 Amazon S3 控制台

      通过 https://console.aws.amazon.com/s3/ 打开 Amazon S3 控制台，并查看如何创建 S3 存储桶？来了解分步说明。