Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Nota
Ti consigliamo di testare la distribuzione del modello in Amazon SageMaker Canvas prima di richiamare un endpoint SageMaker AI a livello di programmazione.
Puoi utilizzare i modelli Amazon SageMaker Canvas che hai distribuito su un endpoint di SageMaker intelligenza artificiale in produzione con le tue applicazioni. Richiama l'endpoint a livello di codice nello stesso modo in cui richiami qualsiasi altro endpoint AI in tempo reale. SageMaker L'invocazione di un endpoint restituisce a livello di codice un oggetto di risposta che contiene gli stessi campi descritti in. Test della distribuzione
Per informazioni più dettagliate su come invocare gli endpoint in modo programmatico, consulta Richiama modelli per l'inferenza in tempo reale.
I seguenti esempi in Python mostrano come invocare l'endpoint in base al tipo di modello.
L'esempio seguente mostra come richiamare un modello di JumpStart base che hai distribuito su un endpoint.
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"
)L'esempio seguente mostra come invocare modelli di previsione numerici o categoriali.
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"
)L'esempio seguente mostra come richiamare modelli di previsione delle serie temporali. Per un esempio completo di come testare e richiamare un modello di previsione di serie temporali, consulta Time-Series Forecasting with Amazon Autopilot
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"
)L'esempio seguente mostra come invocare modelli di previsione di immagini.
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"
)L'esempio seguente mostra come invocare modelli di previsione di testo.
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"
)