Invoque seu endpoint - Amazon SageMaker

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Invoque seu endpoint

nota

Recomendamos que você teste a implantação do seu modelo no Amazon SageMaker Canvas antes de invocar um SageMaker endpoint programaticamente.

Você pode usar seus modelos do Amazon SageMaker Canvas que você implantou em um SageMaker endpoint em produção com seus aplicativos. Invoque o endpoint programaticamente da mesma forma que você invoca qualquer outro endpoint em tempo real. SageMaker A invocação de um endpoint retorna programaticamente um objeto de resposta que contém os mesmos campos descritos em. Teste sua implantação

Para obter mais informações detalhadas sobre como invocar endpoints de forma programática, consulte. Invoque modelos para inferência em tempo real

Os exemplos de Python a seguir mostram como invocar seu endpoint com base no tipo do modelo.

O exemplo a seguir mostra como invocar um modelo JumpStart básico que você implantou em um 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"
)

O exemplo a seguir mostra como invocar modelos de predição numérica ou categóricos.

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"
)

O exemplo a seguir mostra como invocar modelos de previsão de séries temporais. Para obter um exemplo completo de como testar a invocação de um modelo de previsão de séries temporais, consulte Previsão de séries temporais com o Amazon Autopilot. SageMaker 

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"
)

O exemplo a seguir mostra como invocar modelos de predição numérica ou categórica.

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"
    )

O exemplo a seguir mostra como invocar modelos de predição de texto.

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"
)