在 注册表中部署模型 - Amazon SageMaker
在 注册表中部署模型 （Boto3
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。

在 注册表中部署模型

注册模型版本并批准它进行部署后，将其部署到 SageMaker 终端节点以进行实时推理。

当您创建 MLOps 项目并选择包含模型部署的 MLOps 项目模板时，模型注册表中已批准的模型版本将自动部署到生产环境中。有关使用 SageMaker MLOps 项目的信息，请参阅通过SageMaker项目自动完成 MLOps 。

在 注册表中部署模型 （Boto3

要部署模型版本，请完成以下步骤：

  1. 通过调用 从模型版本创建模型对象create_model，并将模型版本的 Amazon 资源名称 （ARN） 作为模型对象的主容器传递。以下代码段假定您已创建 SageMaker Boto3 客户端 sm_client，并且您已创建模型版本，其中包含存储在名为 的变量中的 model_version_arnARN。 

    model_name = 'DEMO-modelregistry-model-' + strftime("%Y-%m-%d-%H-%M-%S", gmtime())
print("Model name : {}".format(model_name))
primary_container = {
    'ModelPackageName': model_version_arn,
}
create_model_respose = sm_client.create_model(
    ModelName = model_name,
    ExecutionRoleArn = role,
    PrimaryContainer = primary_container
)
print("Model arn : {}".format(create_model_respose["ModelArn"]))

  2. 通过调用 创建终端节点配置create_endpoint_config。终端节点配置指定要用于终端节点Amazon EC2的实例的数量和类型。 

    endpoint_config_name = 'DEMO-modelregistry-EndpointConfig-' + strftime("%Y-%m-%d-%H-%M-%S", gmtime())
print(endpoint_config_name)
create_endpoint_config_response = sm_client.create_endpoint_config(
    EndpointConfigName = endpoint_config_name,
    ProductionVariants=[{
        'InstanceType':'ml.m4.xlarge',
        'InitialVariantWeight':1,
        'InitialInstanceCount':1,
        'ModelName':model_name,
        'VariantName':'AllTraffic'}])

  3. 通过调用 创建终端节点create_endpoint。 

    endpoint_name = 'DEMO-modelregistry-endpoint-' + strftime("%Y-%m-%d-%H-%M-%S", gmtime())
print("EndpointName={}".format(endpoint_name))

create_endpoint_response = sm_client.create_endpoint(
    EndpointName=endpoint_name,
    EndpointConfigName=endpoint_config_name)
print(create_endpoint_response['EndpointArn'])