使用第三方 Git 存储库的 SageMaker MLOps 项目演练
本演练使用模板用于使用 CodePipeline 通过第三方 Git 存储库进行模型构建、训练和部署的 MLOps 模板演示如何使用 MLOps 项目创建 CI/CD 系统来构建、训练和部署模型。
先决条件
要完成本演练，您需要：
-
用于登录 Studio 的 IAM 或 IAM Identity Center 账户。有关信息，请参阅 加入 Amazon SageMaker 域。
-
使用 SageMaker 提供的项目模板的权限。有关信息，请参阅使用项目时所需的 SageMaker Studio 权限。
-
基本熟悉 Studio 用户界面。有关信息，请参阅 Amazon SageMaker Studio UI 概述。
-
两个使用自述文件初始化的 GitHub 存储库。您将这些存储库输入到项目模板中，该模板将为这些存储库提供模型构建和部署代码。
步骤 1：设置 GitHub 连接
在此步骤中，您将使用 AWS CodeStar 连接来连接到 GitHub 存储库。SageMaker 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：
-
在 https://console.aws.amazon.com/codepipeline/
登录 CodePipeline 控制台 -
在导航窗格的设置下，选择连接。
-
选择创建连接。
-
对于选择提供商，请选择 GitHub。
-
对于名称，请输入一个名称。
-
选择连接到 GitHub。
-
如果之前未安装 Amazon Connector for 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 个人账户和组织的列表。
-
选择要在其中建立连接的账户，以便与 SageMaker 项目和 GitHub 存储库一起使用。
-
选择配置。
-
您可以选择特定存储库，也可以选择所有存储库。
-
选择保存。安装应用程序后，您将重定向到连接到 GitHub 页面，并且会自动填充安装 ID。
-
选择连接。
-
向此 AWS CodeStar 连接添加一个键为
sagemaker且值为true的标签。 -
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 SageMaker 提供的项目模板来创建 SageMaker MLOps 项目，以构建、训练和部署模型。
创建 SageMaker MLOps 项目
-
登录 Studio。有关更多信息，请参阅 加入 Amazon SageMaker 域。
-
在 Studio 侧边栏中，选择主页图标 (
)。 -
从菜单中选择部署，然后选择项目。
-
选择创建项目。
此时将显示创建项目选项卡。
-
对于 SageMaker 项目模板，请选择用于通过第三方 Git 存储库进行模型构建、训练和部署的 MLOps 模板。
-
选择选择项目模板。
-
在 ModelBuild CodeRepository Info 下，提供以下参数：
-
对于 URL，请以 https://
git-url.git 格式输入模型构建代码的 Git 存储库 URL。 -
对于分支，请输入 Git 存储库中要用于管道活动的分支。
-
对于完整存储库名称，请以
用户名/存储库名称或组织/存储库名称的格式输入 Git 存储库名称。 -
对于 CodeStar 连接 ARN，请输入您在步骤 1 中创建的 AWS CodeStar 连接的 ARN。
-
通过示例代码切换开关，您可以选择是否在存储库中填充模型构建种子代码。在此演示中，我们可以将其保持打开状态。
-
-
在 ModelDeploy CodeRepository Info 下，提供以下参数：
-
对于 URL，请以 https://
git-url.git 格式输入模型部署代码的 Git 存储库 URL。 -
对于分支，请输入 Git 存储库中要用于管道活动的分支。
-
对于完整存储库名称，请以
用户名/存储库名称或组织/存储库名称的格式输入 Git 存储库名称。 -
对于 CodeStar 连接 ARN，请输入您在步骤 1 中创建的 AWS CodeStar 连接的 ARN。
-
通过示例代码切换开关，您可以选择是否在存储库中填充模型部署种子代码。在此演示中，我们可以将其保持打开状态。
-
-
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
-
在您的模型构建 GitHub 存储库中，导航到
pipelines/abalone文件夹。双击pipeline.py打开代码文件。 -
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。
在您提交代码更改后，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
现在批准上一步创建的新模型版本，开始将模型版本部署到 SageMaker 端点。
批准模型版本
-
在 Studio 侧边栏中，选择主页图标 (
)。 -
从菜单中选择部署，然后选择项目。
-
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。
-
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。
-
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。
-
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 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
-
在 https://console.aws.amazon.com/codepipeline/
登录 CodePipeline 控制台 -
选择管道，然后选择名为 sagemaker-
projectname-projectid-modeldeploy 的管道，其中projectname是项目名称，projectid是项目 ID。 -
在 DeployStaging 阶段，选择审核。
-
在审核对话框中，选择批准。
批准 DeployStaging 阶段会导致 MLOps 系统将模型部署到生产环境。要查看端点，请在 Studio 中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 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。
-
在 Studio 侧边栏中，选择主页图标 (
)。 -
从菜单中选择部署，然后选择项目。
-
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。
选择项目以在主面板中查看其详细信息。
从操作菜单中选择删除。
-
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。包括为项目创建的 CodeCommit、CodePipeline 和 CodeBuild 资源。
-
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。堆栈的名称分别为 sagemaker-
projectname-project-id-deploy-staging 和 sagemaker-projectname-project-id-deploy-prod，其中projectname是项目名称，project-id是项目 ID。有关如何删除 Amazon CloudFormation 堆栈的信息，请参阅《Amazon CloudFormation User Guide》中的在 Amazon CloudFormation 控制台上删除堆栈。
-
删除项目创建的 Amazon S3 存储桶。存储桶的名称为 sagemaker-project-
project-id，其中project-id是项目 ID。