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。

使用 Boto3 部署編譯的模型

如果模型是使用 或 Amazon SageMaker AI 主控台編譯的 AWS SDK for Python (Boto3) AWS CLI，您必須滿足先決條件區段。請遵循以下步驟，使用適用於 Python 的 Amazon Web Services SDK (Boto3) 建立和部署 SageMaker Neo 編譯的模型。

部署模型

在您符合先決條件之後，請使用 create_model、create_enpoint_config 和 create_endpoint API。

下列範例示範如何使用這些 API 部署使用 Neo 編譯的模型：

import boto3
client = boto3.client('sagemaker')

# create sagemaker model
create_model_api_response = client.create_model(
                                    ModelName='my-sagemaker-model',
                                    PrimaryContainer={
                                        'Image': <insert the ECR Image URI>,
                                        'ModelDataUrl': 's3://path/to/model/artifact/model.tar.gz',
                                        'Environment': {}
                                    },
                                    ExecutionRoleArn='ARN for AmazonSageMaker-ExecutionRole'
                            )

print ("create_model API response", create_model_api_response)

# create sagemaker endpoint config
create_endpoint_config_api_response = client.create_endpoint_config(
                                            EndpointConfigName='sagemaker-neomxnet-endpoint-configuration',
                                            ProductionVariants=[
                                                {
                                                    'VariantName': <provide your variant name>,
                                                    'ModelName': 'my-sagemaker-model',
                                                    'InitialInstanceCount': 1,
                                                    'InstanceType': <provide your instance type here>
                                                },
                                            ]
                                       )

print ("create_endpoint_config API response", create_endpoint_config_api_response)

# create sagemaker endpoint
create_endpoint_api_response = client.create_endpoint(
                                    EndpointName='provide your endpoint name',
                                    EndpointConfigName=<insert your endpoint config name>,
                                )

print ("create_endpoint API response", create_endpoint_api_response)            

如需 create_model、create_endpoint_config 和 create_endpoint API 的完整語法，請分別參閱 create_model、create_endpoint_config 以及 create_endpoint。

如果您未使用 SageMaker AI 訓練模型，請指定下列環境變數：

MXNet and PyTorch

"Environment": {
    "SAGEMAKER_PROGRAM": "inference.py",
    "SAGEMAKER_SUBMIT_DIRECTORY": "/opt/ml/model/code",
    "SAGEMAKER_CONTAINER_LOG_LEVEL": "20",
    "SAGEMAKER_REGION": "insert your region",
    "MMS_DEFAULT_RESPONSE_TIMEOUT": "500"
}

TensorFlow

"Environment": {
    "SAGEMAKER_PROGRAM": "inference.py",
    "SAGEMAKER_SUBMIT_DIRECTORY": "/opt/ml/model/code",
    "SAGEMAKER_CONTAINER_LOG_LEVEL": "20",
    "SAGEMAKER_REGION": "insert your region"
}

如果您使用 SageMaker AI 訓練模型，請將環境變數指定SAGEMAKER_SUBMIT_DIRECTORY為包含訓練指令碼的完整 Amazon S3 儲存貯體 URI。