기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
전체 데이터세트에 대한 추론을 얻으려면 훈련된 모델에서 배치 변환을 실행합니다. 전체 데이터세트에서 추론을 실행하려면 배치 변환 작업에서 실시간 처리를 위해 생성되어 엔드포인트에 배포된 것과 동일한 추론 파이프라인 모델을 사용할 수 있습니다. 파이프라인의 배치 변환 작업을 실행하려면, 입력 데이터를 Amazon S3에서 다운로드하여 하나 이상의 HTTP 요청 시 추론 파이프라인 모델로 전송합니다. 배치 변환을 위한 데이터를 준비하는 방법을 보여주는 예제는 선형 학습기 샘플 노트북을 사용한 Amazon SageMaker 다중 모델 엔드포인트
참고
Amazon SageMaker AI 기본 제공 알고리즘이 포함된 파이프라인에서 사용자 지정 Docker 이미지를 사용하려면 Amazon Elastic Container Registry(ECR) 정책이 필요합니다. Amazon ECR 리포지토리는 이미지를 가져올 수 있는 권한을 SageMaker AI에 부여해야 합니다. 자세한 내용은 추론 파이프라인에 대한 Amazon ECR 권한 문제 해결 단원을 참조하십시오.
다음 예제는 Amazon SageMaker Python SDKmodel_name은 이전 예제에서 생성한 SparkML 및 XGBoost 모델을 결합하는 추론 파이프라인입니다. input_data_path로 지정한 Amazon S3 위치에는 다운로드하여 Spark ML 모델로 전송한 CSV 형식의 입력 데이터가 포함되어 있습니다. 변환 작업이 끝나면 output_data_path에 의해 지정된 Amazon S3 위치는 XGBoost 모델이 CVS 형식으로 반환한 출력 데이터를 포함합니다.
import sagemaker
input_data_path = 's3://{}/{}/{}'.format(default_bucket, 'key', 'file_name')
output_data_path = 's3://{}/{}'.format(default_bucket, 'key')
transform_job = sagemaker.transformer.Transformer(
model_name = model_name,
instance_count = 1,
instance_type = 'ml.m4.xlarge',
strategy = 'SingleRecord',
assemble_with = 'Line',
output_path = output_data_path,
base_transform_job_name='inference-pipelines-batch',
sagemaker_session=sagemaker.Session(),
accept = CONTENT_TYPE_CSV)
transform_job.transform(data = input_data_path,
content_type = CONTENT_TYPE_CSV,
split_type = 'Line')