示例：集成 Amazon SageMaker 模型

以下文档提供了一个示例配置和模型适配器，用于自定义连接到托管在 Amazon SageMaker 中的模型。

示例 Amazon SageMaker 表格模型适配器

首先，使用代码库应用中的模型适配器库发布并标记一个模型适配器。下面的模型适配器使用 AWS SDK for Python (Boto3) ↗ 和框架配置与托管在 Amazon SageMaker 中的模型的连接。以下代码经过测试，适用于版本 Python 3.8.17、boto3 1.28.1 和 pandas 1.5.3。

请注意，此模型适配器做出了以下假设：

此模型适配器假设提供给该模型的数据是表格形式的。
此模型适配器将输入数据序列化为 JSON 并将其发送到托管的 Amazon SageMaker 模型。
此模型适配器假设响应可以从 JSON 反序列化为 pandas dataframe。
此模型适配器需要四个输入来构建一个 Boto3 客户端。
- region_name - 作为 连接配置 提供
- endpoint_name - 作为 连接配置 提供
- access_key_id - 作为凭证提供
- secret_access_key - 作为凭证提供

Copied!1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
import palantir_models as pm
import models_api.models_api_executable as executable_api

import boto3
import json
import pandas as pd
import logging
from typing import Optional
from botocore.exceptions import ClientError

# 创建日志记录器
logger = logging.getLogger(__name__)


class SageMakerTabularAdapter(pm.ExternalModelAdapter):
    """
    :display-name: SageMaker 表格模型适配器
    :description: SageMaker模型的默认适配器，用于期望表格输入并输出表格数据的模型。
    """

    def __init__(self, region_name, endpoint_name, access_key_id, secret_access_key):
        self.endpoint_name = endpoint_name
        self.runtime = boto3.client(
            'runtime.sagemaker',
            aws_access_key_id=access_key_id,
            aws_secret_access_key=secret_access_key,
            region_name=region_name
        )

    @classmethod
    def init_external(cls, external_context) -> "pm.ExternalModelAdapter":
        # 从外部上下文中初始化所需的AWS配置信息
        region_name = external_context.connection_config["region_name"]
        endpoint_name = external_context.connection_config["endpoint_name"]
        access_key_id = external_context.resolved_credentials["access_key_id"]
        secret_access_key = external_context.resolved_credentials["secret_access_key"]
        return cls(
            region_name,
            endpoint_name,
            access_key_id,
            secret_access_key
        )

    @classmethod
    def api(cls):
        # 定义输入和输出的数据格式，均为Pandas DataFrame
        inputs = {"df_in": pm.Pandas()}
        outputs = {"df_out": pm.Pandas()}
        return inputs, outputs

    def predict(self, df_in):
        # 将输入数据转换为JSON格式的payload
        payload = {
            "instances": df_in.apply(lambda row: {"features": row.tolist()}, axis=1).tolist()
        }
        try:
            # 调用SageMaker的终端节点以进行预测
            response = self.runtime.invoke_endpoint(
                EndpointName=self.endpoint_name,
                ContentType="application/json",
                Body=json.dumps(payload)
            )
        except ClientError as error:
            # 捕获并记录调用失败的错误
            logger.error("SageMaker推理调用失败。这可能表示此模型的出口策略有误。请仔细检查配置的出口策略并确保远程终端仍然可用。")
            raise error
        try:
            # 假定模型的输出可进行JSON反序列化
            # 如果结果对执行器来说太大，反序列化可能导致内存不足
            result = json.loads(response['Body'].read().decode())
        except ValueError as error:
            logger.error("此SageMakerTabularAdapter期望结果可进行JSON反序列化。")
            raise error
        # 将结果转换为Pandas DataFrame
        return pd.json_normalize(result)