编辑:正如@Marcin 所说,提供的第一个答案适用于 262 MB 以下的包。
A. Lambda 层大小限制内的 Python 包
您也可以使用 AWS sam cli 和 Docker(请参阅此链接以安装 SAM cli)来在容器内构建包。基本上,您使用Python
运行时初始化默认模板,然后在requirements.txt
文件下指定包。我发现它比你提到的文章更容易。如果您想考虑它们以供将来使用,我会让您采取步骤。
1.初始化一个默认的SAM模板
在要保留项目的任何文件夹下,您可以键入
sam init
这将提示一系列问题,为了快速设置,我们将选择快速启动模板,如下所示
1 - AWS Quick Start Templates
2 - Python 3.8
Project name [sam-app]: your_project_name
1 - Hello World Example
通过选择Hello World Example
它会生成一个lambda function
带有requirements.txt
文件的默认值。现在,我们将使用您想要的包的名称进行编辑,在这种情况下xgboost
2.指定要安装的包
cd your_project_name
code hello_world/requirements.txt
因为我有 Visual Studio Code 作为编辑器,这将打开它上面的文件。现在,我可以指定xgboost
包
your_python_package
这就是安装 Docker 的原因。一些软件包依赖于C++
. 因此,建议在容器内构建(Windows 上的情况)。现在,移动到文件所在的文件夹template.yaml
。然后,输入
sam build -u
3. 压缩包
有些文件你不想包含在你的 lambda 层中,因为我们只想保留 python 库。因此,您可以删除以下文件
rm .aws-sam/build/HelloWorldFunction/app.py
rm .aws-sam/build/HelloWorldFunction/__init__.py
rm .aws-sam/build/HelloWorldFunction/requirements.txt
然后压缩文件夹的剩余内容。
cp -r .aws-sam/build/HelloWorldFunction/ python/
zip -r my_layer.zip python/
python/
我们根据文档将图层放置在文件夹中的位置
在 Windows 系统上,该zip
命令应替换为
Compress-Archive my_layer/ my_layer.zip.
4. 将您的层上传到 AWS
在 AWS 上转到Lambda
,然后选择Layers
和Create Layer
。现在,您可以上传.zip
文件,如下图所示

请注意,对于超过 50 MB 的 zip 文件,您应该将.zip
文件上传到 s3 存储桶并提供路径,例如https://s3:amazonaws.com//mybucket/my_layer.zip
.
B. 超出 Lambda 层限制的 Python 包
包xgboost
本身超过300MB,会抛出如下错误

正如@Marcin 善意地指出的那样,SAM cli 的先前方法不会直接适用于超过限制的 Python 层。github上有一个未解决的问题,可以在运行时指定自定义 docker 映像,sam build -u
以及重新标记默认lambda/lambci
映像的可能解决方案。
那么,我们怎么能通过这个呢?我只想指出一些有用的资源。
编辑(2020 年 12 月)
本月 AWS 发布了对 AWS Lambda 的容器镜像支持。遵循项目的下一个树结构
Project/
|-- app/
| |-- app.py
| |-- requirements.txt
| |-- xgb_trained.bin
|-- Dockerfile
您可以使用以下 Docker 映像部署 XGBoost 模型。请按照此repo说明进行详细说明。
# Dockerfile based on https://docs.aws.amazon.com/lambda/latest/dg/images-create.html
# Define global args
ARG FUNCTION_DIR="/function"
ARG RUNTIME_VERSION="3.6"
# Choose buster image
FROM python:${RUNTIME_VERSION}-buster as base-image
# Install aws-lambda-cpp build dependencies
RUN apt-get update && \
apt-get install -y \
g++ \
make \
cmake \
unzip \
libcurl4-openssl-dev \
git
# Include global arg in this stage of the build
ARG FUNCTION_DIR
# Create function directory
RUN mkdir -p ${FUNCTION_DIR}
# Copy function code
COPY app/* ${FUNCTION_DIR}/
# Install python dependencies and runtime interface client
RUN python${RUNTIME_VERSION} -m pip install \
--target ${FUNCTION_DIR} \
--no-cache-dir \
awslambdaric \
-r ${FUNCTION_DIR}/requirements.txt
# Install xgboost from source
RUN git clone --recursive https://github.com/dmlc/xgboost
RUN cd xgboost; make -j4; cd python-package; python${RUNTIME_VERSION} setup.py install; cd;
# Multi-stage build: grab a fresh copy of the base image
FROM base-image
# Include global arg in this stage of the build
ARG FUNCTION_DIR
# Set working directory to function root directory
WORKDIR ${FUNCTION_DIR}
# Copy in the build image dependencies
COPY --from=base-image ${FUNCTION_DIR} ${FUNCTION_DIR}
ENTRYPOINT [ "/usr/local/bin/python", "-m", "awslambdaric" ]
CMD [ "app.handler" ]