我试图避免将现有模型训练过程迁移到 SageMaker，并避免创建自定义 Docker 容器来托管我们训练过的模型。
我的希望是将我们现有的、经过训练的模型注入到 AWS 通过以下方式提供的预构建的 scikit learn 容器中：sagemaker-python-sdk https://sagemaker.readthedocs.io/en/stable/sagemaker.sklearn.html#scikit-learn-estimator。我发现的所有示例都需要首先训练模型，从而在 SageMaker 中创建模型/模型配置。然后将其部署为deploy method.
是否有可能提供一个经过训练的模型deploy方法并将其托管在 AWS 提供的预构建的 scikit learn 容器中？
以供参考，例子 https://github.com/awslabs/amazon-sagemaker-examples/blob/master/sagemaker-python-sdk/scikit_learn_iris/Scikit-learn%20Estimator%20Example%20With%20Batch%20Transform.ipynb我见过遵循以下操作顺序：
- 创建一个实例
sagemaker.sklearn.estimator.SKLearn并提供训练脚本
- 致电
fit其上的方法
- 这将在 SageMaker 中创建模型/模型配置
- 致电
deploy方法上的SKLearn实例会自动采用步骤 2/3 中创建的模型并将其作为 HTTPS 端点部署在预构建的 scikit learn 容器中。
是的，您可以将现有模型导入到 SageMaker。
对于 scikit-learn，您可以使用 SKLearnModel() 对象从 S3 加载模型并在 SageMaker 中创建模型。然后，您可以像往常一样部署它。
https://sagemaker.readthedocs.io/en/latest/sagemaker.sklearn.html https://sagemaker.readthedocs.io/en/latest/sagemaker.sklearn.html
这是一个基于 MXNet 的完整示例，它将为您指明正确的方向：https://github.com/awslabs/amazon-sagemaker-examples/blob/master/sagemaker-python-sdk/mxnet_onnx_superresolution/mxnet_onnx.ipynb https://github.com/awslabs/amazon-sagemaker-examples/blob/master/sagemaker-python-sdk/mxnet_onnx_superresolution/mxnet_onnx.ipynb
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
