本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 調用您的端點
<a name="canvas-deploy-model-invoke"></a>

**注意**  
建議您先在 [Amazon SageMaker Canvas 中測試模型部署](canvas-deploy-model-test.md)，再以程式設計方式調用 SageMaker AI 端點。

您可以使用已部署到生產環境中 SageMaker AI 端點的 Amazon SageMaker Canvas 模型搭配您的應用程式。採用您調用任何其他 [SageMaker AI 即時端點](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)的同一方式，以程式設計方式調用端點。以程式設計方式調用端點會傳回一個回應物件，其中包含[測試您的部署](canvas-deploy-model-test.md)所述的相同欄位。

如需如何以程式設計方式調用端點的詳細資訊，請參閱[調用模型以進行即時推論](realtime-endpoints-test-endpoints.md)。

以下 Python 範例向您展示如何根據模型類型調用端點。

## JumpStart 基礎模型
<a name="canvas-invoke-js-example"></a>

下列範例展示如何調用已部署至端點的 JumpStart 基礎模型。

```
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"
)
```

## 數值和分類預測模型
<a name="canvas-invoke-tabular-example"></a>

下列範例展示如何調用數值或類別預測模型。

```
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"
)
```

## 時間序列預測模型
<a name="canvas-invoke-forecast-example"></a>

下列範例展示如何調用時間序列預測模型。如需如何測試調用時間序列預測模型的完整範例，請參閱[使用 Amazon SageMaker Autopilot 進行時間序列預測](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb)。

```
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"
)
```

## 影像預測模型
<a name="canvas-invoke-cv-example"></a>

下列範例展示如何調用影像預測模型。

```
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"
    )
```

## 文字預測模型
<a name="canvas-invoke-nlp-example"></a>

下列範例展示如何調用文字預測模型。

```
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"
)
```