编译模型（亚马逊 SageMaker SDK） - Amazon SageMaker
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)。

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（亚马逊 SageMaker SDK）

您可以使用适用于 Python 的 Amazon SageMaker 开发工具包中的 compile_modelAPI 来编译经过训练的模型，并针对特定的目标硬件对其进行优化。应该在模型训练期间，在使用的估算器对象上调用 API。

注意

使用 MxNet 或编译模型500时，必须将MMS_DEFAULT_RESPONSE_TIMEOUT环境变量设置为。 PyTorch不需要环境变量 TensorFlow。

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，将优化的模型保存在output_path，然后创建可以部署到端点的 SageMaker 模型。Neo 模型编译示例笔记本部分提供了使用 Python SDK 的示例笔记本。