Rufen Sie Ihren Endpunkt auf - Amazon SageMaker KI

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Rufen Sie Ihren Endpunkt auf

Anmerkung

Wir empfehlen Ihnen, Ihre Modellbereitstellung in Amazon SageMaker Canvas zu testen, bevor Sie einen SageMaker KI-Endpunkt programmgesteuert aufrufen.

Sie können Ihre Amazon SageMaker Canvas-Modelle, die Sie auf einem SageMaker KI-Endpunkt bereitgestellt haben, in der Produktion mit Ihren Anwendungen verwenden. Rufen Sie den Endpunkt programmgesteuert auf die gleiche Weise auf, wie Sie jeden anderen SageMaker KI-Echtzeit-Endpunkt aufrufen. Beim programmgesteuerten Aufrufen eines Endpunkts wird ein Antwortobjekt zurückgegeben, das dieselben Felder enthält, die unter beschrieben sind. Testen der Bereitstellung

Weitere Informationen zum programmgesteuerten Aufrufen von Endpunkten finden Sie unter. Rufen Sie Modelle für Inferenz in Echtzeit auf

Die folgenden Python-Beispiele zeigen Ihnen, wie Sie Ihren Endpunkt basierend auf dem Modelltyp aufrufen.

Das folgende Beispiel zeigt Ihnen, wie Sie ein JumpStart Foundation-Modell aufrufen, das Sie auf einem Endpunkt bereitgestellt haben.

import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(
    [['feature_column1', 'feature_column2'], 
    ['feature_column1', 'feature_column2']]
).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)

Im folgenden Beispiel wird gezeigt, wie Sie numerische oder kategoriale Prognosemodelle aufrufen.

import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(['feature_column1', 'feature_column2'], ['feature_column1', 'feature_column2']).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)

Das folgende Beispiel zeigt Ihnen, wie Sie Zeitreihen-Prognosemodelle aufrufen. Ein vollständiges Beispiel für den Testaufruf eines Zeitreihen-Prognosemodells finden Sie unter Zeitreihenprognosen mit Amazon Autopilot. SageMaker 

import boto3
import pandas as pd

csv_path = './real-time-payload.csv'
data = pd.read_csv(csv_path)

client = boto3.client("runtime.sagemaker")

body = data.to_csv(index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)

Das folgende Beispiel zeigt, wie Sie Bildvorhersagemodelle aufrufen können.

import boto3
client = boto3.client("runtime.sagemaker")
with open("example_image.jpg", "rb") as file:
    body = file.read()
    response = client.invoke_endpoint(
        EndpointName="endpoint_name",
        ContentType="application/x-image",
        Body=body,
        Accept="application/json"
    )

Das folgende Beispiel zeigt, wie Sie Textvorhersagemodelle aufrufen können.

import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame([["Example text 1"], ["Example text 2"]]).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)