![](/img/trans.png)
[英]How to deploy a Pre-Trained model using AWS SageMaker Notebook Instance?
[英]how to run a pre-trained model in AWS sagemaker?
我有一个经过预训练的 model.pkl 文件以及与 ml model 相关的所有其他文件。 我希望它将它部署在 aws sagemaker 上。 但是没有培训,如何将其部署到 aws sagmekaer,因为 aws sagemaker 中的 fit() 方法运行 train 命令并将 model.tar.gz 推送到 s3 位置,当使用部署方法时,它使用相同的 s3 位置部署 model,我们不会在 s3 中手动创建与由 aws model 创建的位置相同的位置,并使用一些时间戳给它命名。 如何将我们自己的个性化 model.tar.gz 文件放在 s3 位置,并使用相同的 s3 位置调用 deploy() function。
所有你需要的是:
model.tar.gz
存档中的任意 S3 位置model.pkl
,为其提供服务并处理推理。当您请求端点部署时,SageMaker 将负责下载您的model.tar.gz
并解压缩到服务器的 docker 映像中的适当位置,即/opt/ml/model
Depending on the framework you use, you may use either a pre-existing docker image (available for Scikit-learn, TensorFlow, PyTorch, MXNet) or you may need to create your own.
关于您的以下经历:
当使用部署方法时,它使用相同的 s3 位置来部署 model,我们不会在 s3 中手动创建与由 aws model 创建的位置相同的位置,并使用一些时间戳给它命名
我同意有时使用SageMaker Python SDK (SageMaker 的众多可用 SDK 之一)的演示可能会产生误导,因为它们经常利用可以部署刚刚训练的Estimator
的事实 ( Estimator.deploy(..)
) Estimator.deploy(..)
) 在同一个 session 中,无需实例化将推理代码映射到 model 工件的中间 model 概念。 这种设计大概是为了代码紧凑性而完成的,但在现实生活中,给定 model 的训练和部署很可能通过在不同系统中运行的不同脚本来完成。 It's perfectly possible to deploy a model with training it previously in the same session, you need to instantiate a sagemaker.model.Model
object and then deploy it.
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.