編譯模型 （Amazon SageMaker SDK） - 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。

編譯模型 （Amazon SageMaker SDK）

您可以在 Amazon SageMaker SDK for Python compile_modelAPI中使用 來編譯訓練過的模型，並針對特定目標硬體進行最佳化。API 應在模型訓練期間使用的估算器物件上叫用 。

注意

使用 MXNet或 編譯模型500時，您必須將MMS_DEFAULT_RESPONSE_TIMEOUT環境變數設定為 PyTorch。不需要環境變數 TensorFlow。

以下是如何使用 trained_model_estimator 物件編譯模型的範例：

# Replace the value of expected_trained_model_input below and
# specify the name & shape of the expected inputs for your trained model
# in json dictionary form
expected_trained_model_input = {'data':[1, 784]}

# Replace the example target_instance_family below to your preferred target_instance_family
compiled_model = trained_model_estimator.compile_model(target_instance_family='ml_c5',
        input_shape=expected_trained_model_input,
        output_path='insert s3 output path',
        env={'MMS_DEFAULT_RESPONSE_TIMEOUT': '500'})

程式碼會編譯模型、在 儲存最佳化模型output_path，並建立可部署到端點的 SageMaker 模型。使用 SDK for Python 的範例筆記本提供於 Neo 模型編譯範例筆記本一節。