准备模型进行编译

使用经过训练的模型的字典NCHW格式指定预期数据输入的名称和形状（格式）。请注意，虽然 Keras 模型工件应以NHWC（最后一个频道）格式上传，但 DataInputConfig 应以NCHW（频道优先）格式指定。所需的字典格式如下：

使用经过训练的模型的字典NCHW格式指定预期数据输入的名称和形状（格式）。所需的字典格式如下：

对于 PyTorch 模型，如果您满足以下两个条件，则无需提供预期数据输入的名称和形状：

如果您满足这些条件， SageMaker Neo 将从您创建的模型定义文件（.pt 或.pth）中获取输入配置。 PyTorch

否则，您必须执行以下操作：

使用经过训练的模型的字典NCHW格式指定预期数据输入的名称和形状（格式）。或者，您只能使用列表格式指定形状。所需的字典格式如下：

使用经过训练的模型的字典NHWC格式指定预期数据输入的名称和形状（格式）。所需的字典格式如下：

使用经过训练的模型的字典NHWC格式指定预期数据输入的名称和形状（格式）。所需的字典格式如下：

不需要输入数据名称和形状。

Keras 模型需要一个模型定义文件 (.h5)。

为了使其与 SageMaker Neo 兼容，有两种保存您的 Keras 模型的选项：

以下举例说明了如何将 tf.keras 模型导出为一个冻结的图表（选项二）：

import os
import tensorflow as tf
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras import backend

tf.keras.backend.set_learning_phase(0)
model = tf.keras.applications.ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3), pooling='avg')
model.summary()

# Save as a SavedModel
export_dir = 'saved_model/'
model.save(export_dir, save_format='tf')

# Freeze saved model
input_node_names = [inp.name.split(":")[0] for inp in model.inputs]
output_node_names = [output.name.split(":")[0] for output in model.outputs]
print("Input names: ", input_node_names)
with tf.Session() as sess:
    loaded = tf.saved_model.load(sess, export_dir=export_dir, tags=["serve"]) 
    frozen_graph = tf.graph_util.convert_variables_to_constants(sess,
                                                                sess.graph.as_graph_def(),
                                                                output_node_names)
    tf.io.write_graph(graph_or_graph_def=frozen_graph, logdir=".", name="frozen_graph.pb", as_text=False)

import tarfile
tar = tarfile.open("frozen_graph.tar.gz", "w:gz")
tar.add("frozen_graph.pb")
tar.close()

MXNet模型必须另存为单个符号文件*-symbol.json和单个参数*.params files。

PyTorch 必须将模型另存为定义文件（.pt或.pth），输入数据类型为。float32

要保存模型，请先使用 torch.jit.trace 方法，再使用 torch.save 方法。此过程会将对象保存到一个磁盘文件中，并且默认情况下会使用 python pickle (pickle_module=pickle) 来保存对象和一些元数据。接下来，将保存的模型转换为压缩的 tar 文件。

import torchvision
import torch

model = torchvision.models.resnet18(pretrained=True)
model.eval()
inp = torch.rand(1, 3, 224, 224)
model_trace = torch.jit.trace(model, inp)

# Save your model. The following code saves it with the .pth file extension
model_trace.save('model.pth')

# Save as a compressed tar file
import tarfile
with tarfile.open('model.tar.gz', 'w:gz') as f:
    f.add('model.pth')
f.close()

如果您使用 PyTorch 2.0 或更高版本保存模型， SageMaker Neo 会从定义文件中派生模型的输入配置（其输入的名称和形状）。在这种情况下，您无需在编译模型 SageMaker 时指定数据输入配置。

如果要防止 SageMaker Neo 派生输入配置，可以将的_store_inputstorch.jit.trace参数设置为。False如果这样做，则必须在编译模型 SageMaker 时指定数据输入配置。

有关该torch.jit.trace方法的更多信息，请参阅TORCH。 JIT。 TRACE在 PyTorch 文档中。

TensorFlow 需要一个.pb或一个.pbtxt文件和一个包含变量的变量目录。对于冷冻模型，只有一个 .pb 或 .pbtxt 文件是必需的。

以下代码示例显示如何使用 tar Linux 命令压缩模型。在终端或 Jupyter 笔记本中运行以下命令（如果您使用的是 Jupyter 笔记本，请在语句开头插入 ! 魔法命令）：

# Download SSD_Mobilenet trained model
!wget http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v2_coco_2018_03_29.tar.gz

# unzip the compressed tar file
!tar xvf ssd_mobilenet_v2_coco_2018_03_29.tar.gz

# Compress the tar file and save it in a directory called 'model.tar.gz'
!tar czvf model.tar.gz ssd_mobilenet_v2_coco_2018_03_29/frozen_inference_graph.pb

本示例中使用的命令标志可完成以下操作：

内置估算器由特定于框架的容器或特定于算法的容器完成。使用内置 .fit 方法训练模型时，内置算法和特定于框架的估算器的估算器对象都会以正确的格式保存模型。

例如，你可以使用sagemaker.TensorFlow来定义 TensorFlow 估计器：

from sagemaker.tensorflow import TensorFlow

estimator = TensorFlow(entry_point='mnist.py',
                        role=role,  #param role can be arn of a sagemaker execution role
                        framework_version='1.15.3',
                        py_version='py3',
                        training_steps=1000, 
                        evaluation_steps=100,
                        instance_count=2,
                        instance_type='ml.c4.xlarge')

然后用 .fit 内置方法训练模型：

estimator.fit(inputs)

在最后使用内置 compile_model 方法来编译模型之前：

# Specify output path of the compiled model
output_path = '/'.join(estimator.output_path.split('/')[:-1])

# Compile model
optimized_estimator = estimator.compile_model(target_instance_family='ml_c5', 
                              input_shape={'data':[1, 784]},  # Batch size 1, 3 channels, 224x224 Images.
                              output_path=output_path,
                              framework='tensorflow', framework_version='1.15.3')

你也可以使用sagemaker.estimator.Estimator类来初始化估计器对象，以便使用 Python SageMaker 中的compile_model方法训练和编译内置算法：SDK

import sagemaker
from sagemaker.image_uris import retrieve
sagemaker_session = sagemaker.Session()
aws_region = sagemaker_session.boto_region_name

# Specify built-in algorithm training image
training_image = retrieve(framework='image-classification', 
                          region=aws_region, image_scope='training')

training_image = retrieve(framework='image-classification', region=aws_region, image_scope='training')

# Create estimator object for training
estimator = sagemaker.estimator.Estimator(image_uri=training_image,
                                          role=role,  #param role can be arn of a sagemaker execution role
                                          instance_count=1,
                                          instance_type='ml.p3.8xlarge',
                                          volume_size = 50,
                                          max_run = 360000,
                                          input_mode= 'File',
                                          output_path=s3_training_output_location,
                                          base_job_name='image-classification-training'
                                          )
                                          
# Setup the input data_channels to be used later for training.                                          
train_data = sagemaker.inputs.TrainingInput(s3_training_data_location,
                                            content_type='application/x-recordio',
                                            s3_data_type='S3Prefix')
validation_data = sagemaker.inputs.TrainingInput(s3_validation_data_location,
                                                content_type='application/x-recordio',
                                                s3_data_type='S3Prefix')
data_channels = {'train': train_data, 'validation': validation_data}


# Train model
estimator.fit(inputs=data_channels, logs=True)

# Compile model with Neo                                                                                  
optimized_estimator = estimator.compile_model(target_instance_family='ml_c5',
                                          input_shape={'data':[1, 3, 224, 224], 'softmax_label':[1]},
                                          output_path=s3_compilation_output_location,
                                          framework='mxnet',
                                          framework_version='1.7')

有关使用 SageMaker Python 编译模型的更多信息SDK，请参阅编译模型 (Amazon SageMakerSDK)。