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.

Richiedi inferenze da un servizio distribuito (Amazon SDK) SageMaker

Utilizza i seguenti esempi di codice per richiedere inferenze dal servizio distribuito in base al framework utilizzato per addestrare il modello. Gli esempi di codice per i diversi framework sono simili. La differenza principale è che TensorFlow richiede application/json come tipo di contenuto.

PyTorch e MXNet

Se utilizzi la versione PyTorch 1.4 o successiva o MXNet 1.7.0 o versione successiva e disponi di un endpoint Amazon SageMaker AIInService, puoi effettuare richieste di inferenza utilizzando il pacchetto dell'SDK Python. predictor SageMaker

L'esempio di codice seguente mostra come utilizzare queste API per inviare un'immagine per l'inferenza:

from sagemaker.core.resources import Endpoint

endpoint_name = 'insert name of your endpoint here'

# Read image into memory
payload = None
with open("image.jpg", 'rb') as f:
    payload = f.read()

endpoint = Endpoint(endpoint_name=endpoint_name)
inference_response = endpoint.invoke(body=payload, content_type='application/x-image')
print(inference_response.body.read().decode('utf-8'))

TensorFlow

Il seguente esempio di codice mostra come utilizzare l'API SageMaker Python SDK per inviare un'immagine per l'inferenza:

from sagemaker.core.resources import Endpoint
from PIL import Image
import numpy as np
import json

endpoint_name = 'insert the name of your endpoint here'

# Read image into memory
image = Image.open(input_file)
batch_size = 1
image = np.asarray(image.resize((224, 224)))
image = image / 128 - 1
image = np.concatenate([image[np.newaxis, :, :]] * batch_size)
body = json.dumps({"instances": image.tolist()})

endpoint = Endpoint(endpoint_name=endpoint_name)
inference_response = endpoint.invoke(body=body, content_type='application/json')
print(inference_response)