部署 Autopilot 模型进行实时推理 - 亚马逊 SageMaker AI
实时推理
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。

部署 Autopilot 模型进行实时推理

训练 Amazon A SageMaker utopilot 模型后，您可以设置终端节点并以交互方式获取预测结果。以下部分介绍将模型部署到 SageMaker AI 实时推理端点以从模型中获取预测的步骤。

实时推理

实时推理非常适合有实时、交互式、低延迟要求的推理工作负载。此部分演示如何使用实时推理，以交互方式从模型获取预测。

您可以使用 SageMaker APIs 手动部署在自动驾驶实验中生成最佳验证指标的模型，如下所示。

或者，当您创建 Autopilot 实验时，也可选择自动部署选项。有关设置模型自动部署的信息，请参阅请求参数 CreateAutoMLJobV2 中的 ModelDeployConfig。这将自动创建一个端点。

注意

为避免产生不必要的费用，您可以删除从模型部署中创建的不需要端点和资源。有关按地区划分的实例定价的信息，请参阅 Amazon SageMaker 定价。

  1. 获取候选容器定义

    从中获取候选容器定义InferenceContainers。用于推理的容器定义是指专为部署和运行经过训练的 SageMaker AI 模型进行预测而设计的容器化环境。

    以下 Amazon CLI 命令示例使用 DescribeAutoMLJobV2 API 获取最佳候选模型的候选定义。

    aws sagemaker describe-auto-ml-job-v2 --auto-ml-job-name job-name --region region

  2. 列出候选项

    以下 Amazon CLI 命令示例使用 ListCandidatesForAutoMLJobAPI 列出所有候选模型。

    aws sagemaker list-candidates-for-auto-ml-job --auto-ml-job-name <job-name> --region <region>

  3. 创建 A SageMaker I 模型

    使用前面步骤中的容器定义和您选择的候选容器通过CreateModel该 API 创建 SageMaker AI 模型。以以下 Amazon CLI 命令为例。

    aws sagemaker create-model --model-name '<your-candidate-name>' \
                    --containers ['<container-definition1>, <container-definition2>, <container-definition3>]' \
                    --execution-role-arn '<execution-role-arn>' --region '<region>

  4. 创建端点配置

    以下 Amazon CLI 命令示例使用 CreateEndpointConfigAPI 创建终端节点配置。

    aws sagemaker create-endpoint-config --endpoint-config-name '<your-endpoint-config-name>' \
                    --production-variants '<list-of-production-variants>' \
                    --region '<region>'

  5. 创建端点

    以下 Amazon CLI 示例使用 CreateEndpointAPI 创建终端节点。

    aws sagemaker create-endpoint --endpoint-name '<your-endpoint-name>' \
                    --endpoint-config-name '<endpoint-config-name-you-just-created>' \
                    --region '<region>'

    使用 DescribeEndpointAPI 检查您的终端节点部署进度。以以下 Amazon CLI 命令为例。

    aws sagemaker describe-endpoint —endpoint-name '<endpoint-name>' —region <region>

    将 EndpointStatus 更改为 InService 后，端点即可用于实时推理。

  6. 调用端点

    以下命令结构调用端点以进行实时推理。

    aws sagemaker invoke-endpoint --endpoint-name '<endpoint-name>' \ 
                  --region '<region>' --body '<your-data>' [--content-type] '<content-type>' <outfile>