sagemaker 是aws的托管机器学习的服务，具体的请看

什么是 Amazon SageMaker？ - Amazon SageMakerAmazon SageMaker 是一项完全托管的机器学习服务。借助 SageMaker，数据科学家和开发人员可以快速、轻松地构建和训练机器学习模型，然后直接将模型部署到生产就绪托管环境中。它提供了一个集成的 Jupyter 编写 Notebook 实例，供您轻松访问数据源以便进行探索和分析，因此您无需管理服务器。此外，它还可以提供常见的机器学习算法，这些算法经过了优化，可以在分布式环境中高效处理非常大的数据。借助对自带算法和框架的原生支持，SageMaker 可以提供灵活并且适合具体工作流程的分布式训练选项。通过在 SageMaker Studio 或 SageMaker 控制台中单击几下鼠标按钮以启动模型，即可将模型部署到安全且可扩展的环境中。训练和托管按使用分钟数计费，没有最低费用，也不需要前期承诺。https://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/whatis.html

         在本地使用tf2.0以上的版本编写一个CNN模型，我测试的是编写是猫狗识别模型。

        最后fit完成后，保存模型。其中1 是版本号，主要用于多模型部署，export这个名字可以随便改，但是/Servo好像是sagemaker规定好的，反正我没这个路径就部署不成功。你们可以试试。

model.save('export/Servo/1/')

        保存好模型后，目录结构是这样的。

        

 

         然后将该目录压缩成.tar.gz格式，这个格式是sagemaker规定格式。

import tarfile
model_archive = 'model.tar.gz'
with tarfile.open(model_archive, mode='w:gz') as archive:
    archive.add('export', recursive=True) 

本地会有一个

 然后将该压缩文件上传到s3上。

from sagemaker import get_execution_role
from sagemaker import Session
role = get_execution_role()
sess = Session()
model_data = sess.upload_data(path=model_archive, key_prefix='model_dc_new')

下面开始部署：

        在sagemaker-笔记本实例中创建一个新的笔记本实例，创建完成后，打开jupyter

        这里要强调下role-用户权限，你在创建笔记本实例时，选择IAM角色时，一定要确定该用户具备sagemaker的读写部署等权限。

 然后创建一个笔记本实例，我这边选择是conda-tensorflow2_p36

 创建一个新的jupyter，导入必要的包,这样打印下tf，keras和sagemaker的版本，因为我的模型是用tf和kears编写，保证这两个包的版本一致，我用的2.6，sagemaker一定要2.0以上。

from sagemaker import get_execution_role
from sagemaker import Session
import tensorflow as tf
import keras,sagemaker
from sagemaker.tensorflow.model import TensorFlowModel ###2.0以上版本
role = get_execution_role()
sess = Session()
tf_framework_version = tf.__version__
print(tf.__version__) 
print(keras.__version__)
print(sagemaker.__version__)

 建立模型：这里需要注意的是framework_version，必须是整数，如果是2.3.4之类的部署的时候回报错，那个错误我忘记截图了，我这用的2.6，model_data是模型位置。

sm_model = TensorFlowModel(model_data='s3://sagemaker-ap-northeast-1-499396867125/local_model2/model.tar.gz',
framework_version='2.6.0',role=role)

部署模型：instance_type 是EC2的型号，按需设置。initial_instance_count 个数。

正常的大约在10-15分钟内就会完事。endpoint_name 可以指定节点名称，不写就会给你随机一个。

%%time
instance_type = 'ml.c5.xlarge' 
uncompiled_predictor = sm_model.deploy(initial_instance_count=1,instance_type=instance_type) 

TIP：deploy 中有序列化和反序列的配置serializer和deserializer可以按需配置。详细可以在api里查看

Use Version 2.x of the SageMaker Python SDK — sagemaker 2.77.0 documentation

 完成后 打印

uncompiled_predictor.endpoint_name 可以查看节点名称。

调用：

首先是数据处理，模型编写的时候怎么处理的，调用的还是怎么处理，例如我这里是这样的：

test_path ="test.jpg"
image = cv2.imread(test_path)
image = cv2.resize(image,(image_size,image_size),0,0,cv2.INTER_LINEAR)
image = image.astype(np.float32)
image_array = np.multiply(image,1./255.)
x_batch = image_array.reshape(1,image_size,image_size,3)
x_batch.shape
(1, 64, 64, 3)

首先部署完成后，uncompiled_predictor可以直接传参narray，返回结果。

res=uncompiled_predictor.predict(x_batch)
print(res)

##结果：{'predictions': [[0.94271487, 0.0572850853]]}

 然后打开终端节点：

可以看到刚刚部署的终端节点

 

 我们可以直接调用终端节点，这调用终端节点传参就比较奇怪了因为不能直接传入narray

传入会报错："{"error": "Unsupported Media Type: application/x-npy"}"，我目前也不知道咋解决，可能是序列化的问题，有知道的望告知，多谢。

所以我这只能已json的形式传入，也可以。

至于返回结果的json格式，可以修改成自定义的，你也可以改成不是json的。

结果不一样是因为我换了张图片，换成猫的了。

runtime = boto3.Session().client(service_name="runtime.sagemaker")
image = Image.open(test_path)
image = image.resize([image_size, image_size])
image = np.multiply(image,1./255.)
x_train = image.reshape(1,image_size,image_size,3)
input1 = {'instances': x_train.tolist()}
response = runtime.invoke_endpoint(EndpointName=uncompiled_predictor.endpoint_name,         
                               ContentType='application/json', Body=json.dumps(input1))
result = response["Body"].read()
result = json.loads(result)
print(result)
###结果{'predictions': [[0.0799172819, 0.920082748]]}

至此sagemaker部署节点并调用基本是完事了 ，但是里面有很多问题，比如：

1.invoke_endpoint函数调用传参问题，虽然结果没错但是很别扭

2.序列化问题

3.好像是图片大小不能超过5M，这是我在一个国外博客看到的，不知道是不是真的。

4.还有inference.py:

5.还有各种坑。

等以后在研究把。

给大家推荐一个网址，上面讲了一部分内容，挺好的，还有#799Serving a Tensorflow model fails with ConnectionClosedError · Issue #831 · aws/sagemaker-python-sdk · GitHub