Package 模型 - Amazon SageMaker
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

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。

Package 模型

SageMaker Edge Manager 打包工作占用亚马逊 SageMaker NEO — 编译模型并进行任何必要的更改,以便使用推理引擎 Edge Manager 代理来部署模型。

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。

    如果您尚未执行此操作,请使用编译模型。 SageMaker Neo。有关如何编译模型的更多信息,请参阅。使用 Neo 编译并部署模型. 如果您是首次接触的用户 SageMaker Neo,通过Neo Edge 设备入门.

  2. 获取你的编译作业的名字。

    提供编译模型时使用的编译作业名称的名称 SageMaker Neo。打开 SageMaker 控制台https://console.aws.amazon.com/sagemaker/然后选择编译作业查找已提交给您的汇编列表Amazonaccount. 提交的编译作业的名称在名称column.

  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 (ARN) 来下载和上传模型并联系 SageMaker Neo。

    使用以下方法之一获取 IAM ARN:

    • 以编程方式 SageMaker Python 开发工具包

      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>

      有关使用的更多信息 SageMaker Python SDK,请参阅SageMaker Python 开发工具包.

    • 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 中资源部分,选择角色查看中的角色列表Amazonaccount. 选择或创建具有AmazonSageMakerFullAccessAWSIoTFullAccess, 和AmazonS3FullAccess.

      有关 IAM 的更多信息,请参阅。什么是 IAM?

  4. 有 S3 存储桶 URI。

    您需要至少有一个亚马逊 Simple Storage Service (Amazon S3) 存储桶 URI 来存储新编译模型、边缘管理器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 SageMaker Python 开发工具包

      您可以在会话期间使用默认的 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}. 使用 SageMaker Python SDK,使用以下内容:

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

      在以下网址打开 Amazon S3 控制台:https://console.aws.amazon.com/s3/请参阅如何创建 S3 存储桶?为了 step-by-step 说明。