编译模型(Amazon SageMaker 开发工具包) - 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。

编译模型(Amazon SageMaker 开发工具包)

您可以在 中使用 compile_model API Amazon SageMaker SDK for Python 编译训练后的模型,并针对特定目标硬件对其进行优化。应在模型训练期间使用的评估程序对象上调用 API。

注意

在使用 MXNet 或 PyTorch 编译模型MMS_DEFAULT_RESPONSE_TIMEOUT时,必须将 500 环境变量设置为 。TensorFlow 不需要 环境变量。

以下是如何使用 trained_model_estimator 对象编译模型的示例:

# Replace the value of expected_trained_model_input below and # specify the name & shape of the expected inputs for your trained model # in json dictionary form expected_trained_model_input = {'data':[1, 784]} # Replace the example target_instance_family below to your preferred target_instance_family compiled_model = trained_model_estimator.compile_model(target_instance_family='ml_c5', input_shape=expected_trained_model_input, output_path='insert s3 output path', env={'MMS_DEFAULT_RESPONSE_TIMEOUT': '500'})

该代码编译模型,将优化后的模型保存在 中output_path,并创建可部署到终端节点的SageMaker模型。SDK for PythonNeo 模型编译示例笔记本部分中提供了使用 的示例笔记本