设置 AWS SageMaker 预训练模型
![Warren Marusiak 头像](https://wac-cdn.atlassian.com/dam/jcr:7509aefb-43e8-401d-90fe-0850cbe6bb13/wmarusiak_headshot%20(1).png?cdnVersion=1880)
Warren Marusiak
高级技术传播者
为了演示如何使用 Jira Software 和各种互联工具开发、部署和管理应用,我们的团队创建了 ImageLabeller,这是一款基于 AWS 构建的简单演示应用,它使用机器学习将标签应用于图像。
本页面介绍如何设置 AWS SageMaker 预定义模型,这是 ImageLabeller 成功处理图像的先决条件。在您开始之前,我们建议阅读 ImageLabeller 架构,以了解背景信息。
登录 AWS 控制台并导航到 Amazon SageMaker。
![AWS 控制台的屏幕截图](https://wac-cdn.atlassian.com/dam/jcr:312699b3-a880-49f6-a54b-655fd849a1b3/AWS_console.png?cdnVersion=1880)
转到 Amazon SageMaker Studio。
![Amazon SageMaker Studio 的屏幕截图](https://wac-cdn.atlassian.com/dam/jcr:36e40d90-7538-45b9-a5d7-d7b0018a19c6/Amazon_SageMaker_Studio.png?cdnVersion=1880)
选择“快速启动 > 执行角色 > 创建 IAM 角色”。
![快速入门的屏幕截图](https://wac-cdn.atlassian.com/dam/jcr:a7890497-0970-4cfd-a075-67fa87561bfa/Quick_start_and_click_Execution_role_dropdown.png?cdnVersion=1880)
单击“创建角色”。然后单击“提交”。
![创建 IAM 角色的屏幕截图](https://wac-cdn.atlassian.com/dam/jcr:2c84d98f-87e8-474c-aafd-6d8d89187d6f/Click_Create_role.png?cdnVersion=1880)
SageMaker 需要一段时间才能完成设置。在它准备就绪后,单击“打开 Studio”。
![后期设置的屏幕截图](https://wac-cdn.atlassian.com/dam/jcr:97cef6bc-4800-4384-8286-d5f6880b7ca3/After_setup__click_Open_Studio.png?cdnVersion=1880)
单击“转到 SageMake JumpStart”。
![SageMaker JumpStart 的屏幕截图](https://wac-cdn.atlassian.com/dam/jcr:9ff55612-7e77-4e9b-b8dd-f5ca7ae40c50/sagemaker.png?cdnVersion=1880)
找到并单击“Inception V3”。
![可视化模型的屏幕截图](https://wac-cdn.atlassian.com/dam/jcr:bb0efbb6-c394-4160-8157-9c70f7663c4a/sagemaker_inception_v3.png?cdnVersion=1880)
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”。
![部署模型的屏幕截图](https://wac-cdn.atlassian.com/dam/jcr:79d0ee62-44c2-4e3f-98e4-c00ec4e2c738/Change_the_Endpoint_Name_and_click_Deploy.png?cdnVersion=1880)
AWS SageMaker 将开始部署该模型。
![部署开始的屏幕截图](https://wac-cdn.atlassian.com/dam/jcr:af1d17d2-65a1-4697-b091-a4d57059f522/SageMaker_starts_to_deploy.png?cdnVersion=1880)
部署完成后,单击“打开记事本”。
![端点状态的屏幕截图](https://wac-cdn.atlassian.com/dam/jcr:fe9c84ce-6473-4b62-85ff-dcd875d4c4b4/Click_Open_Notebook.png?cdnVersion=1880)
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。
![屏幕截图查询端点](https://wac-cdn.atlassian.com/dam/jcr:fda5d373-1eea-44d6-9853-f297f5150b5c/Query_endpoint_that_you_created.png?cdnVersion=1880)
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。
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
分享这篇文章
下一主题
推荐阅读
将这些资源加入书签,以了解 DevOps 团队的类型,或获取 Atlassian 关于 DevOps 的持续更新。
![Devops 示意图](https://wac-cdn.atlassian.com/dam/jcr:bd9d8b2c-ca36-444f-8595-719cb1990e64/Devops-community.png?cdnVersion=1880)
DevOps 社区
![Devops 示意图](https://wac-cdn.atlassian.com/dam/jcr:297108ea-d232-4368-af51-b53af230c4fe/Simulation-workshop.png?cdnVersion=1880)
DevOps 学习路径
![地图插图](https://wac-cdn.atlassian.com/dam/jcr:25f6330a-4191-408f-a4e5-2e24bfba67b4/Maturity-model.png?cdnVersion=1880)