借助 AWS SageMaker，是否可以使用 sagemaker SDK 部署預訓練模型？

Question

我試圖避免將現有模型訓練過程遷移到 SageMaker，並避免創建自定義 Docker 容器來托管我們訓練過的模型。

我希望將我們現有的、經過訓練的模型注入到 AWS 通過sagemaker-python-sdk提供的預構建 scikit 學習容器中。 我發現的所有示例都需要先訓練模型，然后在 SageMaker 中創建模型/模型配置。 然后使用deploy方法進行deploy 。

是否可以為deploy方法提供經過訓練的模型並將其托管在 AWS 提供的預先構建的 scikit 學習容器中？

作為參考，我看到的示例遵循以下操作順序：

1. 創建sagemaker.sklearn.estimator.SKLearn的實例並提供訓練腳本
2. 在其上調用fit方法
3. 這將在 SageMaker 中創建模型/模型配置
4. 在SKLearn實例上調用deploy方法，該方法會自動獲取在步驟 2/3 中創建的模型，並將其作為 HTTPS 端點部署在預構建的 scikit learn 容器中。

Answer 1

是的，您可以將現有模型導入 SageMaker。

對於 scikit-learn，您將使用 SKLearnModel() 對象從 S3 加載到模型並在 SageMaker 中創建它。 然后，您可以像往常一樣部署它。

https://sagemaker.readthedocs.io/en/latest/sagemaker.sklearn.html

這是一個基於 MXNet 的完整示例，它將為您指明正確的方向： https : //github.com/awslabs/amazon-sagemaker-examples/blob/master/sagemaker-python-sdk/mxnet_onnx_superresolution/mxnet_onnx.ipynb

Answer 2

在相同的用例中掙扎了幾天。

我們使用了 sagemaker.model.Model 類和 sagemaker.pipeline.PipelineModel

在這里概述了我們的解決方案。

如何處理 sagemaker 端點中的自定義轉換/推理和要求