使用 AWS SageMaker 部署机器学习模型

代码和相关文件

此代码库包含使用 AWS SageMaker 部署机器学习模型所需的代码和相关文件，并且由各种编程练习的多个教程 notebook、迷你项目和实战项目文件组成，是对这门纳米学位课程的补充。

目录

教程

• Boston Housing (Batch Transform) - High Level 是最简单的 notebook，介绍了 SageMaker 生态系统以及所有组件是如何在一起运行的。使用的数据已经清理过并且是表格形式，不需要再处理数据了。请使用批量转换方法测试拟合的模型。
• Boston Housing (Batch Transform) - Low Level 和高阶 notebook 执行的分析一样，但是使用的是低阶 API。所以更详细，但是更加灵活。建议了解每种方法，即使仅使用其中某个方法。
• Boston Housing (Deploy) - High Level 是同一名称的 Batch Transform notebook 的变体。它没有使用批量转换测试模型，而是部署模型并将测试数据发送给部署的端点。
• Boston Housing (Deploy) - Low Level 也是上述 Batch Transform notebook 的变体。这次使用低阶 API，并且部署模型并发送数据，而不是使用批量转换方法。
• IMDB Sentiment Analysis - XGBoost - Web App 使用 XGBoost 创建一个情感分析模型，并将模型部署到端点上。然后描述如何设置 AWS Lambda 和 API Gateway 以创建一个简单的网络应用，该应用会与部署的端点交互。
• Boston Housing (Hyperparameter Tuning) - High Level 是 Boston Housing XGBoost 模型的扩展，这次并不是训练一个模型，而是使用 SageMaker 的超参数优化功能训练多个不同的模型，最终使用性能最佳的模型。
• Boston Housing (Hyperparameter Tuning) - Low Level 是高阶超参数优化 notebook 的变体，这次使用低阶 API 创建在构建超参数优化作业时涉及的每个对象。
• Boston Housing - Updating an Endpoint 是 Boston Housing XGBoost 模型的另一个扩展，我们构建了一个线性模型并在构建的两个模型之间切换部署的端点。此外，我们将创建一个端点，它会模拟 A/B 测试，将传入的部分推理请求发送给 XGBoost 模型，并将剩下的请求发送给线性模型。

迷你项目

• IMDB Sentiment Analysis - XGBoost (Batch Transform) notebook 需要你来完成，它会指导你使用 XGBoost 构建一个对 IMDB 数据集进行情感分析的模型。
• IMDB Sentiment Analysis - XGBoost (Hyperparameter Tuning) notebook 需要你来完成，它会指导你使用 XGBoost 构建一个情感分析模型，并使用 SageMaker 的超参数优化功能测试多组不同的超参数。
• IMDB Sentiment Analysis - XGBoost (Updating a Model) notebook 需要你来完成，它会指导你使用 XGBoost 构建一个情感分析模型，然后看看当底层数据分布发生变化时，会发生什么。在探索了数据随着时间的推移发生变化后，你将构建一个更新的模型，并更新部署的端点，使其使用新的模型。

实战项目

Sentiment Analysis Web App 是一个 notebook 和 Python 文件集合，需要你来完成。结果是一个对影评进行情感分析的部署 RNN，并且需要创建可公共访问的 API 以及与部署的端点交互的简单网络应用。此项目假设你熟悉 SageMaker。完成 XGBoost Sentiment Analysis notebook 就可以了。

设置说明

此代码库中提供的 notebook 需要使用 Amazon SageMaker 平台执行。下面简要说明了如何使用 SageMaker 设置托管 notebook 实例，你可以在此实例中完成和运行 notebook。

登录 AWS 控制台并创建一个 notebook 实例

登录 AWS 控制台并转到 SageMaker 信息中心。点击“Create notebook instance”。notebook 可以随意命名，建议使用 ml.t2.medium，因为它属于免费套餐。对于角色，新建一个角色就行了。使用默认选项即可。注意，notebook 实例需要能够访问 S3 资源，默认就能访问。该 notebook 可以访问名称中带 sagemaker 的任何 S3 存储桶或对象。

使用 git 将代码库克隆到 notebook 实例中

实例启动并能访问后，点击“open”以转到 Jupyter notebook 主页面。首先将 SageMaker Deployment github 代码库克隆到 notebook 实例中。注意，需要克隆到相应的目录中，以便数据能在会话之间保留。

点击“new”下拉菜单并选择“terminal”。默认情况下，终端实例的工作目录是主目录。但是，Jupyter notebook hub 的根目录在“SageMaker”下。请转到相应的目录并克隆代码库，如下所示。

cd SageMaker
git clone https://github.com/udacity/sagemaker-deployment.git
exit

操作完毕后，关闭终端窗口。

打开和运行你所选的 notebook

将代码库克隆到 notebook 实例中后，你可以转到要完成或执行的任何 notebook，然后完成该 notebook。每个 notebook 都包含了额外的说明。

Archival Note

This repository is deprecated; therefore, we are going to archive it. However, learners will be able to fork it to their personal Github account but cannot submit PRs to this repository. If you have any issues or suggestions to make, feel free to:

• Utilize the https://knowledge.udacity.com/ forum to seek help on content-specific issues.
• Submit a support ticket along with the link to your forked repository if (learners are) blocked for other reasons. Here are the links for the retail consumers and enterprise learners.