使用第三方 Git 存储库浏览 SageMaker 人工智能 MLOps项目 - 亚马逊 SageMaker AI
步骤 1：设置 GitHub连接步骤 2：创建项目第 3 步：修改代码步骤 4：批准模型（可选）步骤 5：将模型版本部署到生产环境步骤 6：清理资源
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。

使用第三方 Git 存储库浏览 SageMaker 人工智能 MLOps项目

重要

截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用 Studio Classic 应用程序。有关使用更新的 Studio 体验的信息，请参阅 亚马逊 SageMaker Studio。

Studio Classic 仍针对现有工作负载进行维护，但不再可供入门使用。您只能停止或删除现有的 Studio Classic 应用程序，不能创建新的应用程序。我们建议您将工作负载迁移到全新 Studio 体验。

本演练使用模板演示MLOps 使用第三方 Git 进行模型构建、训练和部署的模板 CodePipeline如何使用 MLOps 项目来创建用于构建、训练和部署模型的 CI/CD 系统。

先决条件

要完成本演练，您需要：

步骤 1：设置 GitHub连接

在此步骤中，您将使用连接连接到您的 GitHub 存储库。Amazon CodeConnectionsA SageMaker I 项目使用此连接来访问您的源代码存储库。

要设置 GitHub 连接，请执行以下操作：

  1. 登录 CodePipeline 控制台，网址为 https://console.aws.amazon.com/codepipeline/

  2. 在导航窗格的设置下，选择连接。

  3. 选择创建连接。

  4. 在 “选择提供商” 中，选择GitHub。

  5. 对于名称，请输入一个名称。

  6. 选择 “连接到” GitHub。

  7. 如果之前未安装过 Amazon Connector GitHub 应用程序，请选择 “安装新应用程序”。

    这将显示您有权访问的所有 GitHub 个人帐户和组织的列表。

  8. 选择要在其中建立连接以用于 SageMaker 项目和 GitHub 存储库的帐户。

  9. 选择配置。

  10. 您可以选择特定存储库，也可以选择所有存储库。

  11. 选择保存。安装应用程序后，您将被重定向到 “Connect t GitHub o” 页面，并且会自动填充安装 ID。

  12. 选择连接。

  13. 向此 CodeConnections 连接添加包含密钥sagemaker和值true的标签。

  14. 复制连接 ARN 进行保存以备后用。在项目创建步骤中使用 ARN 作为参数。

步骤 2：创建项目

在此步骤中，您将使用 A SageMaker SageMaker I 提供的 MLOps 项目模板创建、训练和部署模型，从而创建 AI 项目。

创建 A SageMaker I MLOps 项目

  1. 登录 Studio。有关更多信息，请参阅 亚马逊 SageMaker AI 域名概述。

  2. 在 Studio 侧边栏中，选择主页图标 ( Black square icon representing a placeholder or empty image. )。

  3. 从菜单中选择部署，然后选择项目。

  4. 选择创建项目。

    此时将显示创建项目选项卡。

  5. 对于 SageMaker AI 项目模板，请选择使用第三方 Git 存储库进行模型构建、训练和部署 CodePipeline。

  6. 选择下一步。

  7. 在 “ModelBuild CodeRepository 信息” 下，提供以下参数：

    • 对于分支，请输入 Git 存储库中要用于管道活动的分支。

    • 在 “完整存储库名称” 中，以username/repository name或的格式输入 Git 存储库名称organization/repository name。

    • 对于代码连接 ARN，请输入您在步骤 1 中创建的 CodeConnections 连接的 ARN。

  8. 在 “ModelDeploy CodeRepository 信息” 下，提供以下参数：

    • 对于分支，请输入 Git 存储库中要用于管道活动的分支。

    • 在 “完整存储库名称” 中，以username/repository name或的格式输入 Git 存储库名称organization/repository name。

    • 对于代码连接 ARN，请输入您在步骤 1 中创建的 CodeConnections 连接的 ARN。

  9. 选择创建项目。

该项目将显示在项目列表中，状态为已创建。

第 3 步：修改代码

现在，对构建模型的管道代码进行更改，并提交该更改以启动新的管道运行。管道运行注册了一个新的模型版本。

更改代码

  1. 在您的模型构建 GitHub 存储库中，导航到该pipelines/abalone文件夹。双击 pipeline.py 打开代码文件。

  2. 在 pipeline.py 文件中，找到设置训练实例类型的行。

    training_instance_type = ParameterString(
        name="TrainingInstanceType", default_value="ml.m5.xlarge"

    打开文件进行编辑，将 ml.m5.xlarge 更改为 ml.m5.large，然后提交。

提交代码更改后， MLOps 系统会启动创建新模型版本的管道运行。在下一步，您将批准新模型版本以将其部署到生产环境。

步骤 4：批准模型

现在，您可以批准在上一步中创建的新模型版本，以启动将模型版本部署到 A SageMaker I 端点。

批准模型版本

  1. 在 Studio Classic 侧边栏中，选择主页图标 ( Black square icon representing a placeholder or empty image. )。

  2. 从菜单中选择部署，然后选择项目。

  3. 找到您在第一步中创建的项目的名称，然后双击该名称以打开项目的项目选项卡。

  4. 在项目选项卡中，选择模型组，然后双击出现的模型组的名称。

    随即显示模型组选项卡。

  5. 在模型组选项卡中，双击版本 1。随即打开版本 1 选项卡。选择更新状态。

  6. 在模型更新模型版本状态对话框的状态下拉列表中，选择批准，然后选择更新状态。

    批准模型版本会导致 MLOps 系统将模型部署到暂存阶段。要查看端点，请在项目选项卡上选择端点选项卡。

（可选）步骤 5：将模型版本部署到生产环境

现在，您可以将模型版本部署到生产环境。

注意

要完成此步骤，您需要成为 Studio Classic 域的管理员。如果您不是管理员，请跳过此步骤。

将模型版本部署到生产环境

  1. 登录 CodePipeline 控制台，网址为 https://console.aws.amazon.com/codepipeline/

  2. 选择 Pipelin es，然后选择名为 sagemaker-projectname-projectid-modeldeploy 的管道，其中projectname是你的项目名称，projectid也是你的项目的 ID。

  3. 在DeployStaging舞台中，选择 “查看”。

  4. 在审核对话框中，选择批准。

    批准该DeployStaging阶段会导致 MLOps系统将模型部署到生产中。要查看端点，请在 Studio Classic 的项目选项卡上选择端点选项卡。

步骤 6：清理资源

要停止产生费用，应清理本演练中已创建的资源。

注意

要删除Amazon CloudFormation堆栈和 Amazon S3 存储桶，您需要成为 Studio Classic 中的管理员。如果您不是管理员，请让您的管理员完成这些步骤。

  1. 在 Studio Classic 侧边栏中，选择主页图标 ( Black square icon representing a placeholder or empty image. )。

  2. 从菜单中选择部署，然后选择项目。

  3. 从下拉列表中选择目标项目。如果未看到您的项目，请键入项目名称并应用筛选条件来查找项目。

  4. 选择项目以在主面板中查看其详细信息。

  5. 从操作菜单中选择删除。

  6. 从删除项目窗口中选择删除，确认您的选择。

    这将删除项目创建的 Service Catalog 预置产品。这包括为项目创建的 CodeCommit CodePipeline、和 CodeBuild 资源。

  7. 删除项目创建的Amazon CloudFormation堆栈。有两个堆栈，一个用于暂存，一个用于生产。堆栈的名称是 sagemaker—— deplo project-id y projectname-stag ing 和 sagemaker—— deplo project-id y projectname-prod，其中projectname是你的项目名称，也是你的项目的 ID。project-id

    有关如何删除Amazon CloudFormation堆栈的信息，请参阅《Amazon CloudFormation用户指南》中的在Amazon CloudFormation控制台上删除堆栈。

  8. 删除项目创建的 Amazon S3 存储桶。存储桶的名称是 sagemaker-project-project-id，其中project-id是你的项目的 ID。