使用 部署已编译的模型 AWS CLI - Amazon SageMaker
部署模型
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。

使用 部署已编译的模型 AWS CLI

如果已使用 、 或 控制台编译模型适用于 Python (Boto3) 的 AWS 软件开发工具包，则必须满足AWS CLI先决条件Amazon SageMaker部分。按照以下步骤，使用 创建和部署 SageMaker Neo AWS CLI 编译的模型。

主题

部署模型

在满足先决条件后，请使用 create-model、 create-enpoint-config和 create-endpoint AWS CLI 命令。以下步骤介绍如何使用以下命令部署使用 Neo 编译的模型：

创建模型

从 Neo Inference Container Images （Neo 推理容器映像） 中，选择推理映像 URI，然后使用 create-model API 创建SageMaker模型。您可以通过两个步骤完成此操作：

  1. 创建 create_model.json 文件。在 文件中，指定模型的名称、映像 URI、 model.tar.gz 存储桶中Amazon S3文件的路径以及您的 SageMaker 执行角色： 

    {
    "ModelName": "insert model name",
    "PrimaryContainer": {
        "Image": "insert the ECR Image URI",
        "ModelDataUrl": "insert S3 archive URL",
        "Environment": {"See details below"}
    },
    "ExecutionRoleArn": "ARN for AmazonSageMaker-ExecutionRole"
}

    如果您使用 训练了模型SageMaker，请指定以下环境变量：

    "Environment": {
    "SAGEMAKER_SUBMIT_DIRECTORY" : "[Full S3 path for *.tar.gz file containing the training script]"
}

    如果您未使用 训练模型SageMaker，请指定以下环境变量：

    MXNet and PyTorch
    "Environment": {
    "SAGEMAKER_PROGRAM": "inference.py",
    "SAGEMAKER_SUBMIT_DIRECTORY": "/opt/ml/model/code",
    "SAGEMAKER_CONTAINER_LOG_LEVEL": "20",
    "SAGEMAKER_REGION": "insert your region",
    "MMS_DEFAULT_RESPONSE_TIMEOUT": "500"
}
    TensorFlow
    "Environment": {
    "SAGEMAKER_PROGRAM": "inference.py",
    "SAGEMAKER_SUBMIT_DIRECTORY": "/opt/ml/model/code",
    "SAGEMAKER_CONTAINER_LOG_LEVEL": "20",
    "SAGEMAKER_REGION": "insert your region"
}
    注意

    AmazonSageMakerFullAccess 和 AmazonS3ReadOnlyAccess 策略必须附加到AmazonSageMaker-ExecutionRoleIAM角色。

  2. 运行以下命令：

    aws sagemaker create-model --cli-input-json file://create_model.json

    有关 create-model API 的完整语法，请参阅 create-model。

创建终端节点配置

创建SageMaker模型后，使用 create-endpoint-config API 创建终端节点配置。为此，请使用终端节点配置规范创建 JSON 文件。例如，您可以使用以下代码模板并将其另存为 create_config.json： 

{
    "EndpointConfigName": "<provide your endpoint config name>",
    "ProductionVariants": [
        {
            "VariantName": "<provide your variant name>",
            "ModelName": "my-sagemaker-model",
            "InitialInstanceCount": 1,
            "InstanceType": "<provide your instance type here>",
            "InitialVariantWeight": 1.0
        }
    ]
}

现在，运行AWS CLI以下命令以创建终端节点配置：

aws sagemaker create-endpoint-config --cli-input-json file://create_config.json

有关 create-endpoint-config API 的完整语法，请参阅 create-endpoint-config。

创建终端节点

创建终端节点配置后，使用 create-endpoint API 创建终端节点： 

aws sagemaker create-endpoint --endpoint-name '<provide your endpoint name>' --endpoint-config-name '<insert your endpoint config name>'

有关 create-endpoint API 的完整语法，请参阅 create-endpoint。