View a markdown version of this page

Rufen Sie Ihren Endpunkt auf - Amazon SageMaker KI

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Rufen Sie Ihren Endpunkt auf

Anmerkung

Wir empfehlen Ihnen, Ihre Modellbereitstellung in Amazon SageMaker Canvas zu testen, bevor Sie einen SageMaker KI-Endpunkt programmgesteuert aufrufen.

Sie können Ihre Amazon SageMaker Canvas-Modelle, die Sie auf einem SageMaker KI-Endpunkt bereitgestellt haben, in der Produktion mit Ihren Anwendungen verwenden. Rufen Sie den Endpunkt programmatisch genauso auf wie jeden anderen SageMaker KI-Echtzeit-Endpunkt. Der programmgesteuerte Aufruf eines Endpunkts gibt ein Antwortobjekt zurück, das dieselben Felder enthält, die in Testen der Bereitstellung beschrieben sind.

Weitere Informationen zum programmgesteuerten Aufrufen von Endpunkten finden Sie unter. Aufrufen von Modellen für Echtzeit-Inferenz

Die folgenden Python-Beispiele zeigen Ihnen, wie Sie Ihren Endpunkt basierend auf dem Modelltyp aufrufen.

Das folgende Beispiel zeigt Ihnen, wie Sie ein JumpStart Foundation-Modell aufrufen, das Sie auf einem Endpunkt bereitgestellt haben.

import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(
    [['feature_column1', 'feature_column2'], 
    ['feature_column1', 'feature_column2']]
).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)

Im folgenden Beispiel wird gezeigt, wie Sie numerische oder kategoriale Prognosemodelle aufrufen.

import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(['feature_column1', 'feature_column2'], ['feature_column1', 'feature_column2']).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)

Das folgende Beispiel zeigt, wie Sie Zeitreihenprognosemodelle aufrufen können. Ein vollständiges Beispiel für den Testaufruf eines Zeitreihen-Prognosemodells finden Sie unter Time-Series Prognosen mit Amazon Autopilot. SageMaker 

import boto3
import pandas as pd

csv_path = './real-time-payload.csv'
data = pd.read_csv(csv_path)

client = boto3.client("runtime.sagemaker")

body = data.to_csv(index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)

Das folgende Beispiel zeigt, wie Sie Bildvorhersagemodelle aufrufen können.

import boto3
client = boto3.client("runtime.sagemaker")
with open("example_image.jpg", "rb") as file:
    body = file.read()
    response = client.invoke_endpoint(
        EndpointName="endpoint_name",
        ContentType="application/x-image",
        Body=body,
        Accept="application/json"
    )

Das folgende Beispiel zeigt, wie Sie Textvorhersagemodelle aufrufen können.

import boto3
import pandas as pd

client = boto3.client("runtime.sagemaker")
body = pd.DataFrame([["Example text 1"], ["Example text 2"]]).to_csv(header=False, index=False).encode("utf-8")
    
response = client.invoke_endpoint(
    EndpointName="endpoint_name",
    ContentType="text/csv",
    Body=body,
    Accept="application/json"
)