从已部署服务请求推理(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。

从已部署服务请求推理(Amazon SageMaker 开发工具包)

使用以下代码示例,根据用于训练模型的框架,从部署的服务中请求推理。不同框架的代码示例非常相似。主要区别在于,TensorFlow 需要 application/json 作为内容类型。

PyTorch 和 MXNet

如果您使用的是 PyTorch v1.4 或更高版本或者 MXNet 1.7.0 或更高版本,并且您拥有 Amazon SageMaker 终端节点 InService,则可以使用 predictor SageMaker 的 SDK for Python 包发出推理请求。

注意

该 API 因 SageMaker SDK for Python 版本而异:

以下代码示例显示如何使用这些 APIs 发送图像以进行推理:

SageMaker Python SDK v1.x
from sagemaker.predictor import RealTimePredictor endpoint = 'insert name of your endpoint here' # Read image into memory payload = None with open("image.jpg", 'rb') as f: payload = f.read() predictor = RealTimePredictor(endpoint=endpoint, content_type='application/x-image') inference_response = predictor.predict(data=payload) print (inference_response)
SageMaker Python SDK v2.x
from sagemaker.predictor import Predictor endpoint = 'insert name of your endpoint here' # Read image into memory payload = None with open("image.jpg", 'rb') as f: payload = f.read() predictor = Predictor(endpoint) inference_response = predictor.predict(data=payload) print (inference_response)

TensorFlow

以下代码示例说明如何使用 SageMaker Python 开发工具包 API 发送图像以进行推理:

from sagemaker.predictor import Predictor from PIL import Image import numpy as np import json endpoint = 'insert the name of your endpoint here' # Read image into memory image = Image.open(input_file) batch_size = 1 image = np.asarray(image.resize((224, 224))) image = image / 128 - 1 image = np.concatenate([image[np.newaxis, :, :]] * batch_size) body = json.dumps({"instances": image.tolist()}) predictor = Predictor(endpoint) inference_response = predictor.predict(data=body) print(inference_response)