0

我用内置的 RESnet18 docker 镜像训练了一个模型，现在我想将该模型部署到一个端点并分类大约 100 万张图像。我的所有训练、验证和测试图像都以 RecordIO 格式（使用im2rec.py转换）存储在 S3 上。根据文档：

Amazon SageMaker 图像分类算法支持 RecordIO (application/x-recordio) 和图像 (application/x-image) 内容类型进行训练。该算法仅支持 application/x-image 进行推理。

所以我无法对 RecordIO 格式的训练数据进行推理。为了克服这个问题，我将所有原始 .jpg 图像（约 2GB）复制到我的 Sagemaker Jupyter Notebook 实例上，并按以下方式一次执行一个推理：

img_list = os.listdir('temp_data') # list of all ~1,000,000 images

for im in img_list:
    with open('temp_data/'+im, 'rb') as f:
        payload = f.read()
        payload = bytearray(payload)
    response = runtime.invoke_endpoint(EndpointName=endpoint_name, 
                                       ContentType='application/x-image', 
                                       Body=payload)

    etc...

不用说，将所有数据传输到我的笔记本实例需要很长时间，我宁愿在运行推理之前不必这样做。为什么 SageMaker 图像分类不支持 RecordIO 进行推理？更重要的是，在无需将图像从 S3 中移出的情况下，对许多图像进行推理的最佳方法是什么？

4

2 回答 2

2

RecordIO 格式旨在将大量图像打包到单个文件中，因此我认为它不适用于预测单个图像。

在进行预测时，您绝对不必将图像复制到笔记本实例或 S3。您只需从任何地方加载它们并将它们内联到您的预测请求中。

如果您想要基于 HTTP 的预测，以下是您的选择：

1）在任何机器上使用 SageMaker SDK Predictor.predict() API（只要它具有正确的 AWS 凭证）https://github.com/aws/sagemaker-python-sdk

2) 在任何机器上使用 AWS Python SDK (aka boto3) API invoke_endpoint() （只要它有正确的 AWS 凭证）

您甚至可以构建一个简单的服务来使用 Lambda 执行预处理或后处理。这是一个例子：https ://medium.com/@julsimon/using-chalice-to-serve-sagemaker-predictions-a2015c02b033

如果您想要批量预测： 最简单的方法是从 SageMaker 检索经过训练的模型，编写几行临时 MXNet 代码来加载它并运行您的所有预测。这是一个示例：https ://mxnet.incubator.apache.org/tutorials/python/predict_image.html

希望这可以帮助。

于 2018-07-12T04:22:35.823 回答