我们在本地训练sklearn模型，然后将其作为 *.tar.gz文件上传到S3，以便通过Sagemaker部署它。在那里，我们使用Sagemaker自己的SKLearnModel docker镜像，旨在将我们的模型部署到Sagemaker端点。我们的方法与this thread或over here中描述的方法类似。
这基本上就是我们Sagemaker jupyter notebook中的代码：
from sagemaker.sklearn.model import SKLearnModel
sagemaker_model = SKLearnModel(model_data='s3://ourModelS3Bucket/ourModelTarball.tar.gz',
role='arn:aws:iam::someNumber:role/OurPredefinedRole',
entry_point='our_entry_point.py')
predictor = sagemaker_model.deploy(initial_instance_count=1,
instance_type='ml.t2.large') #be careful which instance you choose!我们想知道的是，我们如何为我们的模型编写入口点代码（这里称为'our_entry_point. py'），以便Sagemaker可以成功部署它？
它必须包含一个predict（）函数吗？它是像脚本一样从上到下执行的吗？还是我们必须定义一个if __name__ == "__main__": block？这是特别相关的，因为我们可能希望在执行预测本身之前添加一些额外的特征生成/选择。
任何帮助都是非常受欢迎的，无论是直接的答案还是可能提供答案的文档/教程的链接。到目前为止，Sagemaker文档和一些Github examples是相当有帮助的。
1条答案
按热度按时间bq8i3lrv1#
我建议你看一下：
但直接回答你的问题：对于代码的可移植性来说，主块总是一个好主意。SageMaker确实支持但不需要在
entry_point脚本中指定这样的块（参见上面的示例）。相反，SageMaker将从该文件导入所需的函数，而不执行主块。在需要定义的函数方面，上述文档指出：
在服务模型之前，必须先加载它。SageMaker Scikit-learn模型服务器通过调用脚本中必须提供的model_fn函数来加载模型。model_fn应具有以下签名：
和
SageMaker Scikit-learn模型服务器提供了这些函数的默认实现。您可以在宿主脚本中为这些函数提供自己的实现。如果您省略了任何定义，那么SageMaker Scikit-learn模型服务器将使用该函数的默认实现。
因此，看起来您必须定义
model_fn，但其他所有内容都是可选的（这也可以在示例中看到）