使用推理管道运行实时预测 - Amazon SageMaker
实时推理管道端点调用推理端点实时推理管道示例
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)。

使用推理管道运行实时预测

您可以在推理管道中使用经训练的模型直接进行实时预测，无需执行外部预处理。当您配置管道时，您可以选择使用 Amazon SageMaker 中已经提供的内置特征转换器。或者，您可以使用几行 scikit-learn 或 Spark 代码来实施自己的转换逻辑。

MLeap 是一种用于机器学习管道的序列化格式和执行引擎，它支持 Spark、scikit-learn 和 TensorFlow，用于训练管道并将其导出到称为 MLeap Bundle 的序列化管道中。您可以将服务包反序列化到 Spark 用于批量模式评分，或者反序列化到 MLeap 运行时以强化实时 API 服务。

管道中的容器侦听由 SAGEMAKER_BIND_TO_PORT 环境变量指定的端口（而不是 8080）。在推理管道中运行时，SageMaker 自动向容器提供此环境变量。如果此环境变量不存在，则容器应默认为使用端口 8080。要指示您的容器使用此要求进行编译，请使用以下命令将标签添加到您的 Dockerfile：

LABEL com.amazonaws.sagemaker.capabilities.accept-bind-to-port=true

如果您的容器需要侦听第二个端口，请在 SAGEMAKER_SAFE_PORT_RANGE 环境变量指定的范围中选择端口。使用格式 "XXXX-YYYY" 指定值，其中 XXXX 和 YYYY 是多位数的整数，包含范围的两端。当您在多容器管道中运行容器时，SageMaker 会自动提供此值。

注意

在包括 SageMaker 内置算法的管道中使用自定义 Docker 映像时，您需要具有 Amazon Elastic Container Registry (Amazon ECR) 策略。您的 Amazon ECR 存储库必须授予 SageMaker 权限以拉取映像。有关更多信息，请参阅 推理管道的 Amazon ECR 权限故障排除。

创建和部署推理管道端点

以下代码通过 SageMaker SDK，使用 SparkML 和 XGBoost 模型按顺序创建和部署实时推理管道模型。

from sagemaker.model import Model
from sagemaker.pipeline_model import PipelineModel
from sagemaker.sparkml.model import SparkMLModel

sparkml_data = 's3://{}/{}/{}'.format(s3_model_bucket, s3_model_key_prefix, 'model.tar.gz')
sparkml_model = SparkMLModel(model_data=sparkml_data)
xgb_model = Model(model_data=xgb_model.model_data, image=training_image)

model_name = 'serial-inference-' + timestamp_prefix
endpoint_name = 'serial-inference-ep-' + timestamp_prefix
sm_model = PipelineModel(name=model_name, role=role, models=[sparkml_model, xgb_model])
sm_model.deploy(initial_instance_count=1, instance_type='ml.c4.xlarge', endpoint_name=endpoint_name)

请求从推理管道端点进行实时推理

以下示例演示如何通过调用推理端点进行实时预测，并传递 JSON 格式的请求负载：

import sagemaker
from sagemaker.predictor import json_serializer, json_deserializer, Predictor

payload = {
        "input": [
            {
                "name": "Pclass",
                "type": "float",
                "val": "1.0"
            },
            {
                "name": "Embarked",
                "type": "string",
                "val": "Q"
            },
            {
                "name": "Age",
                "type": "double",
                "val": "48.0"
            },
            {
                "name": "Fare",
                "type": "double",
                "val": "100.67"
            },
            {
                "name": "SibSp",
                "type": "double",
                "val": "1.0"
            },
            {
                "name": "Sex",
                "type": "string",
                "val": "male"
            }
        ],
        "output": {
            "name": "features",
            "type": "double",
            "struct": "vector"
        }
    }

predictor = Predictor(endpoint=endpoint_name, sagemaker_session=sagemaker.Session(), serializer=json_serializer,
                                content_type='text/csv', accept='application/json'

print(predictor.predict(payload))

您从 predictor.predict(payload) 中得到的响应是模型的推理结果。

实时推理管道示例

您可以使用 SKLearn 预测器运行此示例笔记本，该预测器显示如何部署端点，运行推理请求，然后对响应进行反序列化。在 Amazon SageMaker 示例 GitHub 存储库中查找此笔记本和更多示例。