程序包模型 - Amazon SageMaker
AWS 文档中描述的 AWS 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 AWS 服务入门

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

程序包模型

SageMaker Edge Manager 打包作业采用 Amazon SageMaker Neo –编译的模型并进行必要的更改,以便使用推理引擎 部署模型Edge Manager agent。

Prerequisites

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。

    如果您尚未这样做,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 https://docs.amazonaws.cn/sagemaker/latest/dg/neo.html编译和部署模型。如果您是首次接触 SageMaker Neo 的用户,请通读 Neo Edge 设备https://docs.amazonaws.cn/sagemaker/latest/dg/neo-getting-started-edge.html入门。

  2. 获取编译作业的名称。

    提供您在使用 SageMaker Neo 编译模型时使用的编译作业名称的名称。打开 Amazon SageMaker 控制台,然后选择 Compilation jobs (编译作业) 以查找已提交到您的 AWS 账户的编译的列表。提交的编译作业的名称位于 Name (名称) 列中。

  3. 获取您的 IAM ARN。

    您需要一个 IAM 角色的 Amazon 资源名称 (ARN),可用于下载和上传模型并联系 SageMaker Neo。

    使用以下方法之一获取您的 IAM ARN:

    • 使用 SageMaker Python 开发工具包以编程方式提供

      import sagemaker # Initialize SageMaker Session object so you can interact with AWS 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 开发工具包的更多信息,请参阅 SageMaker Python 开发工具包 API。

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

      登录 AWS 管理控制台 并打开 IAM 控制台。在 IAM Resources (资源) 部分中,选择 Roles (角色) 以查看 AWS 账户中的角色列表。选择或创建具有 AmazonSageMakerFullAccessAWSIoTFullAccess和 的角色AmazonS3FullAccess

      有关 IAM 的更多信息,请参阅什么是 IAM?

  4. 具有 S3 存储桶 URI。

    您需要具有至少一个 Amazon Simple Storage Service (Amazon S3) 存储桶 URI 来存储 Neo 编译的模型Edge Manager、打包作业的输出和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:

    • 使用 SageMaker Python 开发工具包以编程方式提供

      您可以在会话期间使用默认 Amazon S3 存储桶。默认存储桶是根据以下格式创建的:sagemaker-{region}-{aws-account-id}。 要使用 SageMaker Python 开发工具包创建默认存储桶,请使用以下命令:

      import sagemaker session=sagemaker.create_session() bucket=session.default_bucket()
    • 使用 Amazon S3 控制台

      打开 Amazon S3 控制台并查看如何创建 S3 存储桶?以获取分步说明。