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。

使用 Amazon SageMaker 创建模型 ModelBuilder

准备模型以在 SageMaker 终端节点上部署需要多个步骤，包括选择模型映像、设置终端节点配置、对序列化和反序列化函数进行编码以在服务器和客户端之间传输数据、识别模型依赖关系以及将其上传到 Amazon S3。 ModelBuilder可以降低初始设置和部署的复杂性，帮助您通过一个步骤创建可部署的模型。

ModelBuilder为您执行以下任务：

使用以下方法构建您的模型 ModelBuilder

ModelBuilder是一个 Python 类，它采用框架模型（例如 XgBoost 或）或用户指定的推理规范 PyTorch，并将其转换为可部署的模型。 ModelBuilder提供了生成要部署的工件的生成功能。生成的模型构件特定于模型服务器，您也可以将其指定为输入之一。有关该ModelBuilder课程的更多详细信息，请参阅ModelBuilder。

下图说明了使用时的整个模型创建工作流程ModelBuilder。 ModelBuilder接受模型或推理规范以及您的架构，以创建可在部署之前在本地测试的可部署模型。

ModelBuilder可以处理您要应用的任何自定义。但是，要部署框架模型，模型开发者至少需要模型、样本输入和输出以及角色。在下面的代码示例中，ModelBuilder使用框架模型和SchemaBuilder具有最少参数的实例进行调用（以推断出用于序列化和反序列化端点输入和输出的相应函数）。未指定容器，也未传递任何打包的依赖关系，在构建模型时SageMaker 会自动推断出这些资源。

from sagemaker.serve.builder.model_builder import ModelBuilder
from sagemaker.serve.builder.schema_builder import SchemaBuilder

model_builder = ModelBuilder(
    model=model,
    schema_builder=SchemaBuilder(input, output),
    role_arn="execution-role",
)

以下代码示例ModelBuilder使用推理规范（作为InferenceSpec实例）而不是模型进行调用，并进行了额外的自定义。在这种情况下，对模型构建器的调用包括存储模型工件的路径，还会开启所有可用依赖项的自动捕获。有关的其他详细信息InferenceSpec，请参阅自定义模型加载和请求处理。

model_builder = ModelBuilder(
    mode=Mode.LOCAL_CONTAINER,
    model_path=model-artifact-directory,
    inference_spec=your-inference-spec,
    schema_builder=SchemaBuilder(input, output),
    role_arn=execution-role,
    dependencies={"auto": True}
)

定义序列化和反序列化方法

调用 SageMaker 端点时，数据通过具有不同 MIME 类型的 HTTP 负载发送。例如，发送到端点进行推理的图像需要在客户端转换为字节，然后通过 HTTP 有效负载发送到端点。当端点收到有效负载时，它需要将字节字符串反序列化为模型所期望的数据类型（也称为服务器端反序列化）。模型完成预测后，还需要将结果序列化为字节，这些字节可以通过 HTTP 负载发送回给用户或客户端。客户端收到响应字节数据后，需要执行客户端反序列化以将字节数据转换回预期的数据格式，例如 JSON。您至少需要为以下任务转换数据：

下图显示了调用端点时发生的序列化和反序列化过程。

当您向提供示例输入和输出时SchemaBuilder，架构生成器会生成相应的编组函数，用于序列化和反序列化输入和输出。您可以使用进一步自定义序列化函数。CustomPayloadTranslator但是在大多数情况下，像下面这样的简单序列化器是可以工作的：

input = "How is the demo going?"
output = "Comment la démo va-t-elle?"
schema = SchemaBuilder(input, output)

有关的更多详细信息SchemaBuilder，请参阅SchemaBuilder。

以下代码片段概述了一个示例，您希望在客户端和服务器端同时自定义序列化和反序列化函数。您可以定义自己的请求和响应翻译器，CustomPayloadTranslator并将这些翻译器传递给SchemaBuilder。

通过在转换器中包含输入和输出，模型构建器可以提取模型期望的数据格式。例如，假设样本输入是原始图像，您的自定义翻译器会裁剪图像并将裁剪后的图像作为张量发送到服务器。 ModelBuilder需要原始输入和任何自定义的预处理或后处理代码，才能得出一种在客户端和服务器端转换数据的方法。

from sagemaker.serve import CustomPayloadTranslator

# request translator
class MyRequestTranslator(CustomPayloadTranslator):
    # This function converts the payload to bytes - happens on client side
    def serialize_payload_to_bytes(self, payload: object) -> bytes:
        # converts the input payload to bytes
        ... ...
        return  //return object as bytes

    # This function converts the bytes to payload - happens on server side
    def deserialize_payload_from_stream(self, stream) -> object:
        # convert bytes to in-memory object
        ... ...
        return //return in-memory object

# response translator
class MyResponseTranslator(CustomPayloadTranslator):
    # This function converts the payload to bytes - happens on server side
    def serialize_payload_to_bytes(self, payload: object) -> bytes:
        # converts the response payload to bytes
        ... ...
        return //return object as bytes

    # This function converts the bytes to payload - happens on client side
    def deserialize_payload_from_stream(self, stream) -> object:
        # convert bytes to in-memory object
        ... ...
        return //return in-memory object

创建SchemaBuilder对象时，您可以将示例输入和输出以及先前定义的自定义转换器一起传入，如以下示例所示：

my_schema = SchemaBuilder(
    sample_input=image,
    sample_output=output,
    input_translator=MyRequestTranslator(),
    output_translator=MyResponseTranslator()
)

然后，将示例输入和输出以及先前定义的自定义转换器传递给SchemaBuilder对象。

my_schema = SchemaBuilder(
    sample_input=image,
    sample_output=output,
    input_translator=MyRequestTranslator(),
    output_translator=MyResponseTranslator()
)

以下各节详细说明了如何使用模型构建模型，ModelBuilder以及如何使用其支持类为您的用例自定义体验。

自定义模型加载和请求处理

通过提供自己的推理代码InferenceSpec可以提供额外的自定义层。使用InferenceSpec，您可以绕过模型的默认加载和推理处理机制，自定义模型的加载方式以及如何处理传入的推理请求。在使用非标准模型或自定义推理管道时，这种灵活性特别有益。您可以自定义invoke方法来控制模型如何预处理和后处理传入的请求。该invoke方法可确保模型正确处理推理请求。以下示例InferenceSpec使用 HuggingFace 管道生成模型。有关的更多详细信息InferenceSpec，请参阅InferenceSpec。

from sagemaker.serve.spec.inference_spec import InferenceSpec
from transformers import pipeline

class MyInferenceSpec(InferenceSpec):
    def load(self, model_dir: str):
        return pipeline("translation_en_to_fr", model="t5-small")

    def invoke(self, input, model):
        return model(input)

inf_spec = MyInferenceSpec()

model_builder = ModelBuilder(
    inference_spec=your-inference-spec,
    schema_builder=SchemaBuilder(X_test, y_pred)
)

以下示例说明了前一个示例中更具自定义性的变体。模型是用具有依赖关系的推理规范定义的。在这种情况下，推理规范中的代码依赖于 l ang-seg ment 包。的参数dependencies包含一条语句，该语句指示生成器使用 Git 安装 lang-segmen t。由于用户指示模型构建器自定义安装依赖项，因此auto关键是False关闭依赖项的自动捕获。

model_builder = ModelBuilder(
    mode=Mode.LOCAL_CONTAINER,
    model_path=model-artifact-directory,
    inference_spec=your-inference-spec,
    schema_builder=SchemaBuilder(input, output),
    role_arn=execution-role,
    dependencies={"auto": False, "custom": ["-e git+https://github.com/luca-medeiros/lang-segment-anything.git#egg=lang-sam"],}
)

构建您的模型并部署

调用该build函数来创建您的可部署模型。此步骤在您的工作目录中创建推理代码（如inference.py），其中包含创建架构、运行输入和输出的序列化和反序列化以及运行其他用户指定的自定义逻辑所需的代码。

作为完整性检查，作为ModelBuilder构建功能的一部分，打 SageMaker 包和封存部署所需的文件。在此过程中， SageMaker 还会为 pickle 文件创建 HMAC 签名，并在deploy（或create）期间将密钥作为环境变量添加到 CreateModelAPI 中。端点启动使用环境变量来验证 pickle 文件的完整性。

# Build the model according to the model server specification and save it as files in the working directory
model = model_builder.build()

使用模型的现有deploy方法部署模型。在此步骤中，在模型开始预测传入请求时， SageMaker 设置一个端点来托管模型。尽管可以ModelBuilder推断出部署模型所需的端点资源，但您可以使用自己的参数值覆盖这些估计值。以下示例指示 SageMaker 在单个ml.c6i.xlarge实例上部署模型。通过构建的模型ModelBuilder支持在部署期间进行实时记录，这是一项附加功能。

predictor = model.deploy(
    initial_instance_count=1,
    instance_type="ml.c6i.xlarge"
)

如果您想更精细地控制分配给模型的端点资源，则ResourceRequirements可以使用对象。使用该ResourceRequirements对象，您可以请求最少数量的 CPU、加速器和要部署的模型副本。您也可以请求内存的最小和最大限制（以 MB 为单位）。要使用此功能，您需要将终端节点类型指定为EndpointType.INFERENCE_COMPONENT_BASED。以下示例请求将四个加速器、最小内存大小为 1024 MB 和一个模型副本部署到类型的EndpointType.INFERENCE_COMPONENT_BASED终端节点。

resource_requirements = ResourceRequirements(
    requests={
        "num_accelerators": 4,
        "memory": 1024,
        "copies": 1,
    },
    limits={},
)
predictor = model.deploy(
    mode=Mode.SAGEMAKER_ENDPOINT,
    endpoint_type=EndpointType.INFERENCE_COMPONENT_BASED,
    resources=resource_requirements,
    role="role"
)

自带集装箱 (BYOC)

如果您想自带容器（从容 SageMaker 器扩展），也可以指定图像 URI，如以下示例所示。您还需要识别与图像对应的模型服务器，ModelBuilder以生成特定于模型服务器的工件。

model_builder = ModelBuilder(
    model=model,
    model_server=ModelServer.TORCHSERVE,
    schema_builder=SchemaBuilder(X_test, y_pred),
    image_uri="123123123123.dkr.ecr.ap-southeast-2.amazonaws.com/byoc-image:xgb-1.7-1")
)

ModelBuilder 在本地模式下使用

您可以使用mode参数在本地测试和部署到端点之间切换，从而在本地部署模型。您需要将模型工件存储在工作目录中，如以下代码段所示：

model = XGBClassifier()
model.fit(X_train, y_train)
model.save_model(model_dir + "/my_model.xgb")

传递模型对象、SchemaBuilder实例，并将模式设置为Mode.LOCAL_CONTAINER。当您调用该build函数时，ModelBuilder会自动识别支持的框架容器并扫描依赖关系。以下示例演示了在本地模式下使用 XGBoost 模型创建模型。

model_builder_local = ModelBuilder(
    model=model,
    schema_builder=SchemaBuilder(X_test, y_pred),
    role_arn=execution-role,
    mode=Mode.LOCAL_CONTAINER
)
xgb_local_builder = model_builder_local.build()

调用deploy函数进行本地部署，如以下代码段所示。如果您为实例类型或计数指定参数，则会忽略这些参数。

predictor_local = xgb_local_builder.deploy()

本地模式故障排除

根据您的个人本地设置，在您的环境中ModelBuilder平稳运行可能会遇到困难。有关您可能面临的一些问题以及如何解决这些问题，请参阅以下列表。

ModelBuilder 例子

有关使用ModelBuilder构建模型的更多示例，请参阅ModelBuilder示例笔记本。