使用SageMaker提供的项目模板 - 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。

使用SageMaker提供的项目模板

SageMaker 提供了创建创建 MLOps 解决方案所需的基础设施的项目模板。目前, SageMaker 提供以下项目模板。

  • 用于模型构建和训练的 MLOps 模板 - 此模板可让您构建和训练机器学习模型并将模型注册到模型注册表。当您需要 MLOps 解决方案来构建和训练模型时,请使用此模板。此模板提供以下资源:

    • 一个 AWS CodeCommit 存储库,其中包含以 python 代码创建SageMaker管道的示例代码,并演示如何创建和更新SageMaker管道。此存储库还具有可在 SageMaker Studio 中打开和运行的 Python Jupyter 笔记本。

    • 具有源和构建步骤CodePipeline的 。源步骤指向 CodeCommit 存储库,构建步骤从该存储库获取代码,创建和/或更新SageMaker管道,启动管道执行并等待管道执行完成。

    • 用于存储构件(包括 Amazon S3 和 CodePipeline 构件)以及从CodeBuild管道生成的任何构件的 SageMaker 存储桶运行。

    在协作环境中,多个 Studio 用户处理同一个项目,我们建议创建此项目。在数据科学家在 SageMaker Studio 中试验并检查其代码以进入 后CodeCommit,模型构建和训练将在公共基础设施中进行,因此有一个中央的权威位置来跟踪 ML 模型和可供生产使用的构件。

  • 用于模型部署的 MLOps 模板 - 此模板将机器学习模型从Amazon SageMaker模型注册表部署到SageMaker托管终端节点以进行实时推理。当您已训练要部署用于推理的模型时,请使用此模板。此模板提供以下资源:

    • 一个 AWS CodeCommit 存储库,其中包含将模型部署到暂存和生产环境中的终端节点的示例代码。

    • 具有源、构建、部署到暂存以及部署到生产步骤CodePipeline的 。源步骤指向 CodeCommit 存储库,构建步骤从该存储库获取代码,并生成要部署的AWS CloudFormation堆栈。部署到暂存并部署到生产步骤 将AWS CloudFormation堆栈部署到其各自的环境。暂存和生产构建步骤之间有一个手动审批步骤,因此 MLOps 工程师必须先审批模型,然后再将其部署到生产环境中。

      CodeCommit 存储库中的示例代码中还有一个包含占位符测试的编程审批步骤。您可以添加其他测试来替换占位符测试。

    • 用于存储构件(包括 Amazon S3 和 CodePipeline 构件)以及从CodeBuild管道生成的任何构件的 SageMaker 存储桶运行。

    此模板可识别模型注册表中的更改。当注册并批准新的模型版本时,它会自动触发部署。

  • 用于模型构建、训练和部署的 MLOps 模板 - 此模板使您能够轻松构建、训练和部署机器学习模型。当您需要从数据准备到模型部署的完整 MLOps 解决方案时,请使用此模板。

    此模板是前 2 个模板的组合,包含在这些模板中提供的所有资源。