云实例 - Amazon SageMaker
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。

云实例

Amazon SageMaker Neo 为常用的机器学习框架(如 TensorFlow、PyTorch、MXNet 等)提供编译支持。您可以将已编译的模型部署到云实例和 AWS Inferentia 实例。有关支持的框架和实例类型的完整列表,请参阅支持的实例类型和框架

您可以通过以下三种方式之一编译您的模型:通过 AWS CLI、SageMaker 控制台或 SageMaker SDK for Python。有关更多信息,请参阅使用 Neo 编译模型。编译后,您的模型构件将存储在编译作业期间指定的 Amazon S3 存储桶 URI 中。您可以使用 SageMaker SDK for Python、适用于 Python (Boto3) 的 AWS 软件开发工具包、AWS CLI 或 AWS 控制台将已编译的模型部署到云实例和 AWS Inferentia 实例。

如果您使用 AWS CLI、控制台或 Boto3 部署模型,则必须为主容器选择 Docker 映像 Amazon ECR URI。有关 的列表,请参阅 Amazon ECRNeo 推理容器映像URIs。