AWS SageMaker：使用托管在 S3 中的经过训练的模型创建终端节点答案

【问题标题】：AWS SageMaker: Create an endpoint using a trained model hosted in S3AWS SageMaker：使用托管在 S3 中的经过训练的模型创建终端节点
【发布时间】：2020-10-18 04:48:57
【问题描述】：

我关注了这个tutorial，主要是针对jupyter notebook的，对外部处理做了一些小改动。我创建了一个项目，可以在本地准备我的数据集，将其上传到 S3，训练，最后将模型预测器部署到同一个存储桶。完美！

所以，经过训练并将其保存在 S3 存储桶中：

 ss_model.fit(inputs=data_channels, logs=True)

部署为端点时失败。因此，我发现了以多种方式托管端点的技巧，但不是来自已保存在 S3 中的模型。因为为了托管，您可能需要获取估算器，通常情况下是这样的：

 self.estimator = sagemaker.estimator.Estimator(self.training_image,
                                                role,
                                                train_instance_count=1,
                                                train_instance_type='ml.p3.2xlarge',
                                                train_volume_size=50,
                                                train_max_run=360000,
                                                output_path=output,
                                                base_job_name='ss-training',
                                                sagemaker_session=sess)

我的问题是：有没有办法从保存在 S3 (.tar) 中的模型加载估计器？或者，无论如何，无需再次训练即可创建端点？

【问题讨论】：

你能回答这个问题吗stackoverflow.com/questions/62765780/…

标签： python deep-learning amazon-sagemaker semantic-segmentation

【解决方案1】：

所以，在跑了很多页之后，才发现了一条线索here。我终于找到了如何加载模型并创建端点：

def create_endpoint(self):
    sess = sagemaker.Session()
    training_image = get_image_uri(sess.boto_region_name, 'semantic-segmentation', repo_version="latest")        
    role = "YOUR_ROLE_ARN_WITH_SAGEMAKER_EXECUTION"
    model = "s3://BUCKET/PREFIX/.../output/model.tar.gz"

    sm_model = sagemaker.Model(model_data=model, image=training_image, role=role, sagemaker_session=sess)
    sm_model.deploy(initial_instance_count=1, instance_type='ml.p3.2xlarge')

请不要忘记在使用后禁用您的端点。这真的很重要！端点通过“运行”而不仅仅是使用来收费

希望对你也有帮助！

【讨论】：

【解决方案2】：

使用以下代码部署模型

model = sagemaker.Model(role=role,
                        model_data=### s3 location of tar.gz file,
                        image_uri=### the inference image uri,
                        sagemaker_session=sagemaker_session,
                        name=## model name)

model_predictor = model.deploy(initial_instance_count=1,
                               instance_type=instance_type)

初始化预测器

model_predictor = sagemaker.Predictor(endpoint_name= model.endpoint_name)

最终预测使用

model_predictor.predict(##your payload)

【讨论】：