Einrichten des vorgefertigten AWS SageMaker-Modells
Logge dich bei der AWS-Konsole ein, und navigiere zu Amazon SageMaker.
Navigiere zu Amazon SageMaker Studio.
Wähle Quick start > Execution role > Create an IAM role (Schnellstart > Ausführungsrollen > IAM-Rolle erstellen) aus.
Klicke auf Create role (Rolle erstellen). Klicke dann auf Submit (Senden).
Die Einrichtung von SageMaker dauert einige Zeit. Wenn sie abgeschlossen ist, klicke auf Open Studio (Studio öffnen).
Klicke auf Go to SageMaker JumpStart (Zu SageMaker JumpStart wechseln).
Klicke auf Inception V3.
Ändere die Angabe unter Machine Type (Rechnertyp) in "ml.m5.large", ändere den Eintrag unter Endpoint Name (Endpunktname) in einen besser lesbaren Namen wie "image-labeller-endpoint", und klicke dann auf Deploy (Bereitstellen).
AWS SageMaker beginnt mit dem Deployment des Modells.
Wenn das Deployment abgeschlossen ist, klicke auf Open Notebook (Notebook öffnen).
Führe alle drei Notebook-Blöcke aus, um zu überprüfen, ob alles funktioniert. Notiere den unter endpoint_name angegebenen Namen in query_endpoint.Du musst diesen Namen und die Region, in der sich dein AWS SageMaker-Notebook befindet, zum AWS Lambda InvokeLabeller hinzufügen.
Informationen zur Verwendung von Jupyter-Notebooks findest du in der Dokumentation.
Öffne die InvokeLabeller-Datei "src/app.py" und suche nach "query_endpoint". Ändere die Einträge unter "endpoint_name" (Endpunktname) und "client region_name" (Client-Regionsname) so, dass sie zu deinem AWS SageMaker-Notebook passen.
def query_endpoint(img):
endpoint_name = 'jumpstart-dft-image-labeller-endpoint'
client = boto3.client(service_name='runtime.sagemaker', region_name='us-west-1')
response = client.invoke_endpoint(EndpointName=endpoint_name, ContentType='application/x-image', Body=img)
model_predictions = json.loads(response['Body'].read())['predictions'][0]
return model_predictions