Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Implementar un modelo personalizado
<a name="deploy-trained-model"></a>

Cuando finalice el entrenamiento, implemente el modelo para la inferencia. Puede implementar un modelo personalizado mediante la CLI o el SDK.

## Localización de los artefactos del modelo
<a name="locate-model-artifacts"></a>
+ **Compruebe su bucket de S3**: verifique que los artefactos del modelo se hayan guardado en `s3://my-bucket/model-artifacts/`.
+ **Anote la ruta exacta**: necesitará la ruta completa (por ejemplo, `s3://my-bucket/model-artifacts/test-pytorch-job/model.tar.gz`).

## Implementación mediante la CLI
<a name="deploy-using-cli"></a>

Ejecute el siguiente comando para implementar su modelo personalizado:

```
hyp create hyp-custom-endpoint \
    --version 1.0 \
    --env '{"HF_MODEL_ID":"/opt/ml/model", "SAGEMAKER_PROGRAM":"inference.py", }' \
    --model-source-type s3 \
    --model-location test-pytorch-job \
    --s3-bucket-name my-bucket \
    --s3-region us-east-2 \
    --prefetch-enabled true \ 
    --image-uri 763104351884.dkr.ecr.us-east-1.amazonaws.com/pytorch-inference:latest \
    --model-volume-mount-name model-weights \
    --container-port 8080 \
    --resources-requests '{"cpu": "30000m", "nvidia.com/gpu": 1, "memory": "100Gi"}' \
    --resources-limits '{"nvidia.com/gpu": 1}' \
    --tls-output-s3-uri s3://<bucket_name> \
    --instance-type ml.g5.8xlarge \
    --endpoint-name endpoint-custom-pytorch \
    --model-name pytorch-custom-model
```

Este comando implementa el modelo entrenado como un punto de conexión denominado `endpoint-custom-pytorch`. `--model-location` hace referencia a la ruta del artefacto del trabajo de entrenamiento.

## Implementación mediante el Python SDK
<a name="deploy-using-sdk"></a>

Cree un script de Python con el siguiente contenido:

```
from sagemaker.hyperpod.inference.config.hp_custom_endpoint_config import Model, Server, SageMakerEndpoint, TlsConfig, EnvironmentVariables
from sagemaker.hyperpod.inference.hp_custom_endpoint import HPCustomEndpoint

model = Model(
    model_source_type="s3",
    model_location="test-pytorch-job",
    s3_bucket_name="my-bucket",
    s3_region="us-east-2",
    prefetch_enabled=True
)

server = Server(
    instance_type="ml.g5.8xlarge",
    image_uri="763104351884.dkr.ecr.us-east-2.amazonaws.com/huggingface-pytorch-tgi-inference:2.4.0-tgi2.3.1-gpu-py311-cu124-ubuntu22.04-v2.0",
    container_port=8080,
    model_volume_mount_name="model-weights"
)

resources = {
    "requests": {"cpu": "30000m", "nvidia.com/gpu": 1, "memory": "100Gi"},
    "limits": {"nvidia.com/gpu": 1}
}

env = EnvironmentVariables(
    HF_MODEL_ID="/opt/ml/model",
    SAGEMAKER_PROGRAM="inference.py",
    SAGEMAKER_SUBMIT_DIRECTORY="/opt/ml/model/code",
    MODEL_CACHE_ROOT="/opt/ml/model",
    SAGEMAKER_ENV="1"
)

endpoint_name = SageMakerEndpoint(name="endpoint-custom-pytorch")

tls_config = TlsConfig(tls_certificate_output_s3_uri="s3://<bucket_name>")

custom_endpoint = HPCustomEndpoint(
    model=model,
    server=server,
    resources=resources,
    environment=env,
    sage_maker_endpoint=endpoint_name,
    tls_config=tls_config
)

custom_endpoint.create()
```

## Invocar al punto de conexión
<a name="invoke-endpoint"></a>

### Uso de la CLI
<a name="invoke-using-cli"></a>

Pruebe el punto de conexión con una entrada de muestra:

```
hyp invoke hyp-custom-endpoint \
    --endpoint-name endpoint-custom-pytorch \
    --body '{"inputs":"What is the capital of USA?"}'
```

Esto devuelve la respuesta del modelo, por ejemplo: “La capital de EE. UU. es Washington, D.C.”.

### Uso del SDK
<a name="invoke-using-sdk"></a>

Incluya el siguiente código en el script de Python:

```
data = '{"inputs":"What is the capital of USA?"}'
response = custom_endpoint.invoke(body=data).body.read()
print(response)
```

## Administración del punto de conexión
<a name="manage-endpoint"></a>

### Uso de la CLI
<a name="manage-using-cli"></a>

Enumere e inspeccione el punto de conexión:

```
hyp list hyp-custom-endpoint
hyp get hyp-custom-endpoint --name endpoint-custom-pytorch
```

### Uso del SDK
<a name="manage-using-sdk"></a>

Incluya el siguiente código en el script de Python:

```
logs = custom_endpoint.get_logs()
print(logs)
```

## Eliminar recursos
<a name="cleanup-resources"></a>

Cuando haya terminado, elimine el punto de conexión para evitar costos innecesarios.

### Uso de la CLI
<a name="cleanup-using-cli"></a>

```
hyp delete hyp-custom-endpoint --name endpoint-custom-pytorch
```

### Uso del SDK
<a name="cleanup-using-sdk"></a>

```
custom_endpoint.delete()
```

## Siguientes pasos
<a name="next-steps"></a>

Ha implementado y probado satisfactoriamente un modelo personalizado utilizando SageMaker HyperPod. Ahora puede utilizar este punto de conexión para la inferencia en sus aplicaciones.