24、机器学习模型部署与监控全解析

机器学习模型部署与监控全解析

1. 使用 boto3 SDK 管理实时端点

SageMaker SDK 能轻松实现模型的导入、部署、重新部署和更新，但某些操作需借助更低级别的 API，这里我们使用 boto3 来演示。boto3 是适用于 Python 的 AWS SDK，涵盖了所有 AWS 服务的 API，SageMaker API 可在 此处 找到。

1.1 使用 boto3 SDK 部署端点

使用 boto3 部署端点需四个步骤：
1. 使用 create_model() API 创建一个或多个模型，也可使用通过 SageMaker SDK 训练或导入的现有模型。
2. 定义一个或多个生产变体，列出每个模型的基础设施要求。
3. 使用 create_endpoint_config() API 创建端点配置，传入之前定义的生产变体并为每个变体分配权重。
4. 使用 create_endpoint() API 创建端点。

以下是一个具体示例，部署运行在波士顿住房数据集上训练的 XGBoost 模型的两个变体的端点：

import boto3

# 假设已有训练好的模型
model_name_1 = 'sage