设置 AWS SageMaker 预训练模型

登录 AWS 控制台并导航到 Amazon SageMaker。

转到 Amazon SageMaker Studio。

选择“快速启动 > 执行角色 > 创建 IAM 角色”。

单击“创建角色”。然后单击“提交”。

SageMaker 需要一段时间才能完成设置。在它准备就绪后，点击 OpenStudio。

单击“转到 SageMake JumpStart”。

找到并单击“Inception V3”。

将“计算机类型”变更为 ml.m5.large，将“端点名称”变更为更具可读性的名称，例如“image-labeller-endpoint”，并单击“部署”。

AWS SageMaker 将开始部署该模型。

部署完成后，单击“打开记事本”。

运行所有三个记事本代码块，以验证一切正常。记下 query_endpoint 中 endpoint_name您需要将这和您的 AWS SageMaker 记事本所在的区域添加到 InvokeLabeller AWS Lambda。

有关如何使用 Jupyter 记事本的信息，请阅读文档。

打开 InvokeLabeller 的 src/app.py 文件，并查找 query_endpoint。变更 endpoint_name 和客户端 region_name 以匹配您的 AWS SageMaker 记事本。

1def query_endpoint(img):
2  endpoint_name = 'jumpstart-dft-image-labeller-endpoint'
3  client = boto3.client(service_name='runtime.sagemaker', region_name='us-west-1')
4  response = client.invoke_endpoint(EndpointName=endpoint_name, ContentType='application/x-image', Body=img)
5  model_predictions = json.loads(response['Body'].read())['predictions'][0]
6  return model_predictions

SageMaker 配置完成后，下一步是使用 Bitbucket、GitHub 或 GitLab 部署 ImageLabeller。