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)。

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。

打包模型

SageMaker Edge Manager 打包任务采用 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 编译您的机器学习模型。

    如果您还没有这样做，请使用 SageMaker Neo 编译您的模型。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 E dge 设备入门。

  2. 获取您的编译作业的名字。

    提供您在使用 SageMaker Neo 编译模型时使用的编译任务名称的名称。打开 SageMaker 控制台 https://console.aws.amazon.com/sagemaker/ 并选择 “编译作业”，查找已提交到您 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。

    您需要一个 IAM 角色的亚马逊资源名称 (ARN)，您可以使用该名称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 软件开发工具包以编程方式使用

      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 开发工具包的更多信息，请参阅 P SageMaker ython 开发工具包 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：

    • 使用 SageMaker Python 软件开发工具包以编程方式使用

      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 开发工具包创建默认存储桶，请使用以下内容：

      import sagemaker

session=sagemaker.create_session()

bucket=session.default_bucket()

    • 使用 Amazon S3 控制台

      打开 Amazon S3 控制台 https://console.aws.amazon.com/s3/ 然后查看如何创建 S3 存储桶？ 获取 step-by-step 说明。