AWS Sagemaker：当您上传自己的、经过本地培训的SKlearn模型tarball时，在入口点文件中需要哪个函数/代码来进行预测？

Question

我们在本地训练sklearn模型，然后将其上传为*。焦油gz文件到S3，以便通过Sagemaker进行部署。在那里，我们使用Sagemaker自己的SKLearnModel docker映像，并将我们的模型部署到Sagemakerendpoint。我们的方法类似于本线程或此处描述的方法。

这基本上就是我们的Sagemaker jupyter笔记本中的代码：

from sagemaker.sklearn.model import SKLearnModel

sagemaker_model = SKLearnModel(model_data='s3://ourModelS3Bucket/ourModelTarball.tar.gz',
                                 role='arn:aws:iam::someNumber:role/OurPredefinedRole',
                                 entry_point='our_entry_point.py')

predictor = sagemaker_model.deploy(initial_instance_count=1,
                                   instance_type='ml.t2.large') #be careful which instance you choose!

我们想知道的是，我们必须如何为我们的模型编写入口点代码（这里称为'our_entry_point.py'），以便Sagemaker能够成功地部署它？

它是否必须包含预测（）函数，它是像脚本一样从上到下执行，还是我们必须定义一个，如果__name__ == "__main__"：块？这一点尤其相关，因为在我们执行预测本身之前，我们可能希望在这里添加一些额外的特征生成/选择。

任何帮助将是非常欢迎的，无论是直接的答案或一个链接到留档/教程，可能会提供答案。到目前为止，Sagemaker文档和一些Github示例非常有用...

Answer 1

我建议看一下：

• https://sagemaker.readthedocs.io/en/stable/using_sklearn.html#deploy-a-scikit-learn-model
• https://github.com/awslabs/amazon-sagemaker-examples/blob/master/sagemaker-python-sdk/scikit_learn_randomforest/Sklearn_on_SageMaker_end2end.ipynb

但要直接回答您的问题：对于代码的可移植性，主块始终是一个好主意。SageMaker确实支持但不要求在入口点脚本中指定这样的块（参见上面的示例）。SageMaker将从该文件导入所需的函数，而不是执行主块。

就您需要定义的功能而言，上述单据说明：

必须先加载模型，然后才能提供服务。SageMaker Scikit learn model server通过调用您必须在脚本中提供的model_fn函数来加载您的模型。型号fn应具有以下签名：

和

SageMaker Scikit学习模型服务器提供这些功能的默认实现。您可以在宿主脚本中为这些函数提供自己的实现。如果省略任何定义，则SageMaker Scikit学习模型服务器将使用该函数的默认实现。

所以看起来你必须定义model_fn但是其他的都是可选的（这也可以在示例中看到）