在预处理输入后，如何使用腌制模型使用 AWS-Sagemaker 部署我的机器学习模型答案

【问题标题】：How do I use a pickled model to deploy my Machine Learning model using AWS-Sagemaker after preprocessing the input在预处理输入后，如何使用腌制模型使用 AWS-Sagemaker 部署我的机器学习模型
【发布时间】：2019-10-30 16:55:55
【问题描述】：

我有一个腌制模型（比如 XGBoost 模型 - xgboost_model.sav）。我希望能够获取 json 输入（通过 API 调用），执行一些预处理（如缺失值插补、异常值处理等），使用腌制文件返回模型的预测结果（比如浮点数表示概率）。我想创建一个 sagemaker 端点，然后可以使用它通过 lambda 函数获取预测（概率）。（使用boto3）

我浏览了我的 AWS Sagemaker 提供的示例笔记本，但无法弄清楚如何执行上述步骤并部署我的模型。

请帮助我一步一步的指导，可能有一些基本的代码。

【问题讨论】：

你试过这个示例笔记本吗：github.com/awslabs/amazon-sagemaker-examples/blob/master/… ?
是的，我浏览了那个笔记本。但是他们已经在 sagemaker 本身上训练了一个 XGBoost 模型，保存了模型工件并将其再次加载到 sagemaker 中。我想知道如何使用在 sagemaker 外部训练的模型（随机森林）
您可以将模型打包到 Docker 容器中并推送到 ECR 存储库。之后，您可以从该 ECR 映像创建模型包，然后从该模型包创建模型。以下是如何为此目的将代码打包到 Docker 的示例：github.com/awslabs/amazon-sagemaker-examples/tree/master/…。训练部分不是强制性的，你可以删除它，只留下预测。

标签： amazon-web-services aws-lambda amazon-sagemaker

【解决方案1】：

这是 SageMaker 的 BYOC 文档 - https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms.html

您可以将预处理代码打包到 BYOC 映像中或使用推理管道功能 - https://docs.aws.amazon.com/sagemaker/latest/dg/inference-pipelines.html

【讨论】：