翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# デプロイのためにモデルを準備する
このセクションでは、SageMaker AI と AWS IoT クライアントオブジェクトの作成、事前トレーニング済みの機械学習モデルのダウンロード、Amazon S3 バケットへのモデルのアップロード、SageMaker Neo を使用したターゲットデバイスのモデルのコンパイル、 Edge Manager エージェントでデプロイできるようにモデルをパッケージ化します。
1. **ライブラリをインポートし、クライアントオブジェクトを作成します。**
このチュートリアルでは AWS SDK for Python (Boto3) 、 を使用して、SageMaker AI、Amazon S3、および とやり取りするクライアントを作成します AWS IoT。
次の例に示すように、Boto3 をインポートし、リージョンを指定し、必要なクライアントオブジェクトを初期化します。
```
import boto3
import json
import time
AWS_REGION = 'us-west-2'# Specify your Region
bucket = 'bucket-name'
sagemaker_client = boto3.client('sagemaker', region_name=AWS_REGION)
iot_client = boto3.client('iot', region_name=AWS_REGION)
```
変数を定義し、SageMaker AI と AWS IoT 向けに作成したロール ARN を文字列として割り当てます。
```
# Replace with the role ARN you created for SageMaker
sagemaker_role_arn = "arn:aws:iam:::role/*"
# Replace with the role ARN you created for AWS IoT.
# Note: The name must start with 'SageMaker'
iot_role_arn = "arn:aws:iam:::role/SageMaker*"
```
1. **機械学習モデルをトレーニングする。**
SageMaker AI を使用して機械学習モデルをトレーニングする方法の詳細については、「[Amazon SageMaker でモデルをトレーニングする](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html)」を参照してください。任意で、ローカルでトレーニングしたモデルを Amazon S3 URI バケットに直接アップロードできます。
まだモデルがない場合は、このチュートリアルの次のステップの事前トレーニング済みモデルを使用できます。たとえば、TensorFlow フレームワークによる MobileNet V2 モデルを保存することができます。MobileNet V2 はモバイルアプリケーション向けに最適化された画像分類モデルです。MobileNet V2 の詳細については、[MobileNet GitHub README](https://github.com/tensorflow/models/tree/master/research/slim/nets/mobilenet) を参照してください。
Jupyter Notebook に以下を入力し、事前トレーニング済みの MobileNet V2 モデルを保存します。
```
# Save the MobileNet V2 model to local storage
import tensorflow as tf
model = tf.keras.applications.MobileNetV2()
model.save(“mobilenet_v2.h5”)
```
**注記**
TensorFlow がインストールされていない場合は、`pip install tensorflow=2.4` を実行してインストールしてください。
このチュートリアルでは、TensorFlow バージョン 2.4 以下を使用します。
モデルは `mobilenet_v2.h5` ファイルに保存されます。モデルは、SageMaker Neo を使用してコンパイルしてからパッケージ化する必要があります。「[サポートされているフレームワーク、デバイス、システム、アーキテクチャ](neo-supported-devices-edge.md)」で、TensorFlow (または選択した他のフレームワーク) のバージョンが現在 SageMaker Neo でサポートされているかどうかを確認してください。
SageMaker Neo では、モデルを圧縮された tar ファイルとして保存する必要があります。圧縮された tar ファイル (\$1.tar.gz) として再パッケージ化します。
```
# Package MobileNet V2 model into a TAR file
import tarfile
tarfile_name='mobilenet-v2.tar.gz'
with tarfile.open(tarfile_name, mode='w:gz') as archive:
archive.add('mobilenet-v2.h5')
```
1. **ファイルを Amazon S3 にアップロードする。**
機械学習モデルを作成したら、それをAmazon S3 バケットに保存します。次の例では、 AWS CLI コマンドを使用して、モデルと呼ばれるディレクトリで以前に作成した Amazon S3 バケットに*モデル* をアップロードします。Jupyter ノートブックに次を入力します。
```
!aws s3 cp mobilenet-v2.tar.gz s3://{bucket}/models/
```
1. **SageMaker Neo でモデルをコンパイルする。**
SageMaker Neo を使用して、機械学習モデルをエッジデバイス用にコンパイルします。トレーニング済みモデルを保存した Amazon S3 バケット URI、モデルのトレーニングに使用した機械学習フレームワーク、モデルの入力の形状、ターゲットデバイスを把握している必要があります。
MobileNet V2 モデルについては次を使います。
```
framework = 'tensorflow'
target_device = 'jetson_nano'
data_shape = '{"data":[1,3,224,224]}'
```
SageMaker Neo では、使用する深層学習フレームワークに応じて、モデルが特定の入力形状と形式になっている必要があります。モデルを保存する方法の詳細については、「[SageMaker Neo が想定する入力データの形状](neo-compilation-preparing-model.md#neo-job-compilation-expected-inputs)」を参照してください。Neo がサポートするデバイスおよびフレームワークの詳細については、「[サポートされているフレームワーク、デバイス、システム、アーキテクチャ](neo-supported-devices-edge.md)」を参照してください。
`CreateCompilationJob` API を使用して、SageMaker Neo でコンパイルジョブを作成します。コンパイルジョブの名前、SageMaker AI ロールの ARN、モデルが保存されている Amazon S3 URI、モデルの入力形状、フレームワークの名前、コンパイルしたモデルを保存する Amazon S3 URI、ターゲットエッジデバイスを指定します。
```
# Specify the path where your model is stored
model_directory = 'models'
s3_model_uri = 's3://{}/{}/{}'.format(bucket, model_directory, tarfile_name)
# Store compiled model in S3 within the 'compiled-models' directory
compilation_output_dir = 'compiled-models'
s3_output_location = 's3://{}/{}/'.format(bucket, compilation_output_dir)
# Give your compilation job a name
compilation_job_name = 'getting-started-demo'
sagemaker_client.create_compilation_job(CompilationJobName=compilation_job_name,
RoleArn=sagemaker_role_arn,
InputConfig={
'S3Uri': s3_model_uri,
'DataInputConfig': data_shape,
'Framework' : framework.upper()},
OutputConfig={
'S3OutputLocation': s3_output_location,
'TargetDevice': target_device},
StoppingCondition={'MaxRuntimeInSeconds': 900})
```
1. **コンパイルしたモデルをパッケージ化する。**
パッケージ化ジョブは SageMaker Neo でコンパイルされたモデルを使用します。また、推論エンジンである Edge Manager エージェントを使用して、モデルのデプロイに必要な変更を加えます。モデルをパッケージ化するには、`create_edge_packaging` API または SageMaker AI コンソールを使用してエッジパッケージ化ジョブを作成します。
Neo コンパイルジョブに使用した名前、パッケージ化ジョブの名前、ロール ARN ([セットアップ](edge-getting-started-step1.md)セクションを参照してください)、モデルの名前、モデルバージョン、およびパッケージ化ジョブの出力先の Amazon S3 バケット URI を指定する必要があります。Edge Manager のパッケージ化ジョブ名では、大文字と小文字が区別されます。以下は、API を使用してパッケージ化ジョブを作成する方法の例です。
```
edge_packaging_name='edge-packaging-demo'
model_name="sample-model"
model_version="1.1"
```
パッケージ化されたモデルを保存する Amazon S3 URI を定義します。
```
# Output directory where you want to store the output of the packaging job
packaging_output_dir = 'packaged_models'
packaging_s3_output = 's3://{}/{}'.format(bucket, packaging_output_dir)
```
`CreateEdgePackagingJob` を使用して、Neo でコンパイルされたモデルをパッケージ化します。エッジパッケージ化ジョブの名前と、コンパイルジョブの名前 (この例では、変数 `compilation_job_name` に保存されています) を指定します。また、モデルの名前、モデルのバージョン (使用しているモデルバージョンの追跡に役立ちます)、SageMaker AI がパッケージ化済みモデルを保存する S3 URI を指定します。
```
sagemaker_client.create_edge_packaging_job(
EdgePackagingJobName=edge_packaging_name,
CompilationJobName=compilation_job_name,
RoleArn=sagemaker_role_arn,
ModelName=model_name,
ModelVersion=model_version,
OutputConfig={
"S3OutputLocation": packaging_s3_output
}
)
```