As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Invoque seu endpoint
<a name="canvas-deploy-model-invoke"></a>

**nota**  
Recomendamos que você [teste a implantação do seu modelo no Amazon SageMaker Canvas](canvas-deploy-model-test.md) antes de invocar programaticamente um endpoint de SageMaker IA.

Você pode usar seus modelos do Amazon SageMaker Canvas que você implantou em um endpoint de SageMaker IA em produção com seus aplicativos. [Invoque o endpoint programaticamente da mesma forma que você invoca qualquer outro endpoint de IA em tempo real. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) A invocação de um endpoint retorna programaticamente um objeto de resposta que contém os mesmos campos mencionados na seção anterior [Teste sua implantação](canvas-deploy-model-test.md).

Para obter mais informações detalhadas sobre como invocar endpoints de forma programática, consulte. [Invocar modelos para inferência em tempo real](realtime-endpoints-test-endpoints.md)

Os exemplos de Python a seguir mostram como invocar seu endpoint com base no tipo do modelo.

## JumpStart modelos de fundação
<a name="canvas-invoke-js-example"></a>

O exemplo a seguir mostra como invocar um modelo JumpStart básico que você implantou em um endpoint.

```
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"
)
```

## Modelos de predição numérica e categórica
<a name="canvas-invoke-tabular-example"></a>

O exemplo a seguir mostra como invocar modelos de predição numérica ou categóricos.

```
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"
)
```

## Avalie modelos de previsão de séries temporais
<a name="canvas-invoke-forecast-example"></a>

O exemplo a seguir mostra como invocar modelos de previsão de séries temporais. Para obter um exemplo completo de como testar a invocação de um modelo de previsão de séries temporais, consulte Previsão de [séries temporais com o Amazon Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb). 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"
)
```

## Modelos de predição de imagem
<a name="canvas-invoke-cv-example"></a>

O exemplo a seguir mostra como invocar modelos de predição numérica ou categórica.

```
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"
    )
```

## Modelos de predição de texto
<a name="canvas-invoke-nlp-example"></a>

O exemplo a seguir mostra como invocar modelos de predição de texto.

```
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"
)
```