完成事前準備 - Amazon SageMaker

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

完成事前準備

若要封裝模型，您必須執行下列動作：

  1. 使用 SageMaker Neo 編譯機器學習模型。

    如果您尚未執行此操作，請使用 SageMaker Neo 編譯模型。如需有關如何編譯模型的詳細資訊，請參閱使用 Neo 編譯和部署模型。如果您是 SageMaker Neo 的第一次使用者，請逐步參閱 Neo Edge 裝置入門 。

  2. 取得編譯任務的名稱。

    請提供您使用 SageMaker Neo 編譯模型時所使用的編譯任務名稱。開啟 的 SageMaker 主控台https://console.aws.amazon.com/sagemaker/，然後選擇編譯任務，以尋找已提交至您 AWS 帳戶的編譯清單。已提交編譯任務的名稱位於名稱欄中。

  3. 取得您的 IAM ARN。

    您需要角色的 Amazon Resource Name （ARN）IAM，可用來下載和上傳模型並聯絡 SageMaker Neo。

    使用下列其中一種方法來取得您的 IAM ARN：

    • 使用 SageMaker Python 以程式設計方式 SDK

      import sagemaker

# Initialize SageMaker Session object so you can interact with AWS resources
sess = sagemaker.Session()

# Get the role ARN 
role = sagemaker.get_execution_role()

print(role)
>> arn:aws:iam::<your-aws-account-id>:role/<your-role-name>

      如需使用 SageMaker Python 的詳細資訊SDK，請參閱 SageMaker Python SDK API。

    • 使用 AWS Identity and Access Management （IAM） 主控台

      在 導覽至IAM主控台https://console.aws.amazon.com/iam/。在IAM資源區段中，選擇角色以檢視帳戶中 AWS 的角色清單。選取或建立具有AmazonSageMakerFullAccess、AWSIoTFullAccess 和 AmazonS3FullAccess 的角色。

      如需 的詳細資訊IAM，請參閱什麼是 IAM？

  4. 擁有 S3 儲存貯體 URI。

    您需要至少有一個 Amazon Simple Storage Service （Amazon S3） 儲存貯體URI，才能存放新編譯的模型、Edge Manager 封裝任務的輸出，以及來自裝置機群的範例資料。

    使用下列其中一種方法來建立 Amazon S3 儲存貯體：

    • 使用 SageMaker Python 以程式設計方式 SDK

      您可以在工作階段期間使用預設的 Amazon S3 儲存貯體。系統會根據下列格式建立預設值區：sagemaker-{region}-{aws-account-id}。若要使用 SageMaker Python 建立預設儲存貯體SDK，請使用下列各項：

      import sagemaker

session=sagemaker.create_session()

bucket=session.default_bucket()

    • 使用 Amazon S3 主控台

      在 開啟 Amazon S3 主控台https://console.aws.amazon.com/s3/，並參閱如何建立 S3 儲存貯體？ 以取得 step-by-step指示。