Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Uji fungsi Lambda pra-anotasi dan pasca-anotasi
Anda dapat menguji pra-anotasi dan memposting anotasi fungsi Lambda di konsol Lambda. Jika Anda adalah pengguna baru Lambda, Anda dapat mempelajari cara menguji, atau *memanggil*, fungsi Lambda Anda di konsol menggunakan tutorial [fungsi Buat Lambda](https://docs.aws.amazon.com/lambda/latest/dg/getting-started-create-function.html#gettingstarted-zip-function) dengan konsol di Panduan Pengembang. AWS Lambda Anda dapat menggunakan bagian di halaman ini untuk mempelajari cara menguji templat pra-anotasi dan pasca-anotasi Ground Truth yang disediakan melalui (SAR AWS Serverless Application Repository ).
**Topics**
+ [Prasyarat](#sms-custom-templates-step3-lambda-test-pre)
+ [Uji Fungsi Lambda Pra-anotasi](#sms-custom-templates-step3-lambda-test-pre-annotation)
+ [Uji Fungsi Lambda Pasca-Anotasi](#sms-custom-templates-step3-lambda-test-post-annotation)
## Prasyarat
Anda harus melakukan hal berikut untuk menggunakan tes yang dijelaskan di halaman ini.
+ Anda memerlukan akses ke konsol Lambda, dan Anda memerlukan izin untuk membuat dan menjalankan fungsi Lambda. Untuk mempelajari cara mengatur izin ini, lihat[Berikan Izin untuk Membuat dan Memilih AWS Lambda Fungsi](sms-custom-templates-step3-lambda-permissions.md#sms-custom-templates-step3-postlambda-create-perms).
+ Jika Anda belum menerapkan resep Ground Truth SAR, gunakan prosedur [Buat fungsi Lambda menggunakan template Ground Truth](sms-custom-templates-step3-lambda-create.md) untuk melakukannya.
+ Untuk menguji fungsi Lambda pasca-anotasi, Anda harus memiliki file data di Amazon S3 dengan data anotasi sampel. Untuk tes sederhana, Anda dapat menyalin dan menempelkan kode berikut ke dalam file dan menyimpannya sebagai `sample-annotations.json` dan [mengunggah file ini ke Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/upload-objects.html). Perhatikan URI S3 dari file ini—Anda memerlukan informasi ini untuk mengonfigurasi pengujian Lambda pasca-anotasi.
```
[{"datasetObjectId":"0","dataObject":{"content":"To train a machine learning model, you need a large, high-quality, labeled dataset. Ground Truth helps you build high-quality training datasets for your machine learning models."},"annotations":[{"workerId":"private.us-west-2.0123456789","annotationData":{"content":"{\"crowd-entity-annotation\":{\"entities\":[{\"endOffset\":8,\"label\":\"verb\",\"startOffset\":3},{\"endOffset\":27,\"label\":\"adjective\",\"startOffset\":11},{\"endOffset\":33,\"label\":\"object\",\"startOffset\":28},{\"endOffset\":51,\"label\":\"adjective\",\"startOffset\":46},{\"endOffset\":65,\"label\":\"adjective\",\"startOffset\":53},{\"endOffset\":74,\"label\":\"adjective\",\"startOffset\":67},{\"endOffset\":82,\"label\":\"adjective\",\"startOffset\":75},{\"endOffset\":102,\"label\":\"verb\",\"startOffset\":97},{\"endOffset\":112,\"label\":\"verb\",\"startOffset\":107},{\"endOffset\":125,\"label\":\"adjective\",\"startOffset\":113},{\"endOffset\":134,\"label\":\"adjective\",\"startOffset\":126},{\"endOffset\":143,\"label\":\"object\",\"startOffset\":135},{\"endOffset\":169,\"label\":\"adjective\",\"startOffset\":153},{\"endOffset\":176,\"label\":\"object\",\"startOffset\":170}]}}"}}]},{"datasetObjectId":"1","dataObject":{"content":"Sift 3 cups of flour into the bowl."},"annotations":[{"workerId":"private.us-west-2.0123456789","annotationData":{"content":"{\"crowd-entity-annotation\":{\"entities\":[{\"endOffset\":4,\"label\":\"verb\",\"startOffset\":0},{\"endOffset\":6,\"label\":\"number\",\"startOffset\":5},{\"endOffset\":20,\"label\":\"object\",\"startOffset\":15},{\"endOffset\":34,\"label\":\"object\",\"startOffset\":30}]}}"}}]},{"datasetObjectId":"2","dataObject":{"content":"Jen purchased 10 shares of the stock on Janurary 1st, 2020."},"annotations":[{"workerId":"private.us-west-2.0123456789","annotationData":{"content":"{\"crowd-entity-annotation\":{\"entities\":[{\"endOffset\":3,\"label\":\"person\",\"startOffset\":0},{\"endOffset\":13,\"label\":\"verb\",\"startOffset\":4},{\"endOffset\":16,\"label\":\"number\",\"startOffset\":14},{\"endOffset\":58,\"label\":\"date\",\"startOffset\":40}]}}"}}]},{"datasetObjectId":"3","dataObject":{"content":"The narrative was interesting, however the character development was weak."},"annotations":[{"workerId":"private.us-west-2.0123456789","annotationData":{"content":"{\"crowd-entity-annotation\":{\"entities\":[{\"endOffset\":29,\"label\":\"adjective\",\"startOffset\":18},{\"endOffset\":73,\"label\":\"adjective\",\"startOffset\":69}]}}"}}]}]
```
+ Anda harus menggunakan petunjuk [Berikan Izin Lambda Pasca-Anotasi untuk Mengakses Anotasi](sms-custom-templates-step3-lambda-permissions.md#sms-custom-templates-step3-postlambda-perms) untuk memberikan izin peran eksekusi fungsi Lambda pasca-anotasi Anda untuk mengambil peran eksekusi SageMaker AI yang Anda gunakan untuk membuat pekerjaan pelabelan. Fungsi Lambda pasca-anotasi menggunakan peran eksekusi SageMaker AI untuk mengakses file data anotasi,, di S3. `sample-annotations.json`
## Uji Fungsi Lambda Pra-anotasi
Gunakan prosedur berikut untuk menguji fungsi Lambda pra-anotasi yang dibuat saat Anda menerapkan resep Ground AWS Serverless Application Repository Truth (SAR).
**Uji resep Ground Truth SAR pra-anotasi fungsi Lambda**
1. Buka [halaman **Fungsi**](https://console.aws.amazon.com/lambda/home#/functions) di konsol Lambda.
1. Pilih fungsi pra-anotasi yang digunakan dari resep Ground Truth SAR. Nama fungsi ini mirip dengan`serverlessrepo-aws-sagema-GtRecipePreHumanTaskFunc-{{}}`.
1. Di bagian **Sumber kode**, pilih panah di sebelah **Uji**.
1. Pilih **Konfigurasikan acara pengujian**.
1. Tetap pilih opsi **Create new test event**.
1. Di bawah **template Event**, pilih **SageMakerGround Truth PreHumanTask**.
1. Berikan tes Anda **nama Acara**.
1. Pilih **Buat**.
1. Pilih panah di sebelah **Uji** lagi dan Anda akan melihat bahwa tes yang Anda buat dipilih, yang ditunjukkan dengan titik dengan nama acara. Jika tidak dipilih, pilih.
1. Pilih **Test** untuk menjalankan tes.
Setelah Anda menjalankan tes, Anda dapat melihat **hasil Eksekusi**. Dalam **log Fungsi**, Anda akan melihat respons yang mirip dengan yang berikut ini:
```
START RequestId: cd117d38-8365-4e1a-bffb-0dcd631a878f Version: $LATEST
Received event: {
"version": "2018-10-16",
"labelingJobArn": "arn:aws:sagemaker:us-east-2:123456789012:labeling-job/example-job",
"dataObject": {
"source-ref": "s3://sagemakerexample/object_to_annotate.jpg"
}
}
{'taskInput': {'taskObject': 's3://sagemakerexample/object_to_annotate.jpg'}, 'isHumanAnnotationRequired': 'true'}
END RequestId: cd117d38-8365-4e1a-bffb-0dcd631a878f
REPORT RequestId: cd117d38-8365-4e1a-bffb-0dcd631a878f Duration: 0.42 ms Billed Duration: 1 ms Memory Size: 128 MB Max Memory Used: 43 MB
```
Dalam respons ini, kita dapat melihat output fungsi Lambda cocok dengan sintaks respons pra-anotasi yang diperlukan:
```
{'taskInput': {'taskObject': 's3://sagemakerexample/object_to_annotate.jpg'}, 'isHumanAnnotationRequired': 'true'}
```
## Uji Fungsi Lambda Pasca-Anotasi
Gunakan prosedur berikut untuk menguji fungsi Lambda pasca-anotasi yang dibuat saat Anda menerapkan resep Ground AWS Serverless Application Repository Truth (SAR).
**Uji resep Ground Truth SAR pasca-anotasi Lambda**
1. Buka [halaman **Fungsi**](https://console.aws.amazon.com/lambda/home#/functions) di konsol Lambda.
1. Pilih fungsi pasca-anotasi yang digunakan dari resep Ground Truth SAR. Nama fungsi ini mirip dengan`serverlessrepo-aws-sagema-GtRecipeAnnotationConsol-{{}}`.
1. Di bagian **Sumber kode**, pilih panah di sebelah **Uji**.
1. Pilih **Konfigurasikan acara pengujian**.
1. Tetap pilih opsi **Create new test event**.
1. Di bawah **template Event**, pilih **SageMakerGround Truth AnnotationConsolidation**.
1. Berikan tes Anda **nama Acara**.
1. Ubah kode template yang disediakan sebagai berikut:
+ Ganti Nama Sumber Daya Amazon (ARN) `roleArn` dengan ARN dari peran eksekusi SageMaker AI yang Anda gunakan untuk membuat pekerjaan pelabelan.
+ Ganti URI S3 `s3Uri` dengan URI `sample-annotations.json` file yang Anda tambahkan ke Amazon S3.
Setelah Anda melakukan modifikasi ini, tes Anda akan terlihat mirip dengan yang berikut:
```
{
"version": "2018-10-16",
"labelingJobArn": "arn:aws:sagemaker:us-east-2:123456789012:labeling-job/example-job",
"labelAttributeName": "example-attribute",
"roleArn": "arn:aws:iam::{{222222222222}}:role/{{sm-execution-role}}",
"payload": {
"s3Uri": "s3://{{your-bucket}}/sample-annotations.json"
}
}
```
1. Pilih **Buat**.
1. Pilih panah di sebelah **Uji** lagi dan Anda akan melihat bahwa tes yang Anda buat dipilih, yang ditunjukkan dengan titik dengan nama acara. Jika tidak dipilih, pilih.
1. Pilih **Test** untuk menjalankan tes.
Setelah Anda menjalankan pengujian, Anda akan melihat `-- Consolidated Output --` bagian di **Function Logs**, yang berisi daftar semua anotasi yang disertakan di `sample-annotations.json` dalamnya.