问题标签 [amazon-sagemaker]

我正在尝试从tensorflow_iris_dnn_classifier_using_estimators示例笔记本中提供的端点调用端点。在示例中，它使用部署过程中生成的相同 python 对象调用端点。在大型系统中，我需要知道如何在没有此对象的情况下调用此端点，并且可能使用不同的语言。这是我尝试过的：

我在做什么错？我从 cloudwatch 收到以下错误：

I have a training script in Sagemaker like,

Most of which I stole from the MNIST Example.

When I train, everything goes fine, but when trying to deploy like,

I get, (full output)

Looking in my S3 bucket s3://sagemaker-us-west-2-01234567890/sagemaker-mxnet-py2-cpu-2018-01-17-20-52-52-599/output/model.tar.gz, I in fact don't see the model.

What am I missing?

我用 aws sagemaker 做了一些实验，从 S3 下载大数据集的时间很成问题，尤其是模型还在开发中，你想要一些比较快的初始反馈

是否有某种本地存储或其他方式来加快速度？

编辑 我指的是批处理培训服务，它允许您将作业作为 docker 容器提交。

虽然此服务适用于通常运行很长时间的已验证作业（这使得下载时间不那么重要），但仍然需要快速反馈

1. 没有其他方法可以使用 sagemaker 基础架构（配置文件、数据文件等）对您的工作进行“集成”测试

2. 在对模型进行不同的变体试验时，能够相对快速地获得初始反馈很重要

我已经通过 sagemaker 实现了机器学习算法。

我已经为 .net 安装了 SDK，并通过执行以下代码进行了尝试。

通过执行此操作，我收到验证错误为“ 1 validation error detected: Value at 'body' failed to satisfy constraint: Member must not be null”

谁能指导我如何以及需要传递哪些输入数据来调用给定的 API？

编辑

此外，我尝试通过提供包含由“.gz”或“.pkl”文件写入的 MemoryStream 的主体参数来尝试，它给了我错误：“错误从 AWS 解组响应，HTTP 内容长度超过 5246976 字节。”

编辑 2018 年 1 月 23 日

此外，我想出了错误消息

错误 - 模型服务器 - 'TypeError' 对象没有属性 'message'

谢谢

我用 sparkR 语言创建了一个带有 k-means 和 ALG 算法的训练模型。我想部署模型 throw AWS Sagemaker 服务。我已经运行了一些内置示例，它们使用 conda_python3 语言，但是使用 SparkR 怎么可能。？

我已经在 AWS Sagemaker 中训练并部署了一个模型，现在我正在尝试使用客户端作为 c# .NET 调用端点。在下面的代码中，由于 Body 参数的值无效，我似乎收到了错误。

我尝试传递一个用“.gz”文件或“.jpeg”文件编写的 MemoryStream。通过执行 InvokeEndPoint()，获取错误为：“无法评估提供的有效负载”

我在 sagemaker 中部署了一个端点，并试图通过我的 python 程序调用它。我用邮递员测试过它，它工作得很好。然后我写了调用代码如下

现在当我运行它时，我得到一个验证错误

在使用邮递员时，我已经给出了我的访问密钥和密钥，但我不确定在使用 sagemaker api 时如何传递它。我也无法在文档中找到它。

所以我的问题是，如何使用本地机器上的 sagemaker api 来调用我的端点？

这是一个基本的 AWS Sagemaker 问题。当我使用 Sagemaker 的一种内置算法进行训练时，我可以通过增加训练算法的 instance_count 参数来利用将作业分配到多个实例的巨大加速。但是，当我打包自己的自定义算法时，增加实例数似乎只是在每个实例上重复训练，导致没有加速。

我怀疑当我打包自己的算法时，我需要做一些特别的事情来控制它如何以不同方式处理我的自定义 train() 函数中的特定实例的训练（否则，它如何知道工作应该如何分发？），但我无法在网上找到有关如何执行此操作的任何讨论。

有谁知道如何处理这个？非常感谢您提前。

具体示例：=> 它在标准算法中运行良好：我验证了在第一个记录的 sagemaker 示例中增加 train_instance_count 可以加快速度：https ://docs.aws.amazon.com/sagemaker/latest/dg/ex1-train -model-create-training-job.html

=> 它在我的自定义算法中不起作用。我尝试采用标准的 sklearn build-your-own-model 示例，并在训练中添加一些额外的 sklearn 变体，然后打印出结果进行比较。当我增加传递给 Estimator 对象的 train_instance_count 时，它会在每个实例上运行相同的训练，因此输出会在每个实例中重复（结果的打印输出是重复的）并且没有加速。这是 sklearn 示例库：https ://github.com/awslabs/amazon-sagemaker-examples/blob/master/advanced_functionality/scikit_bring_your_own/scikit_bring_your_own.ipynb 。本笔记本中 Estimator 对象的第三个参数是让您控制训练实例数量的原因。

我在 c# 中创建了一个应用程序，我需要将一些数据放在 S3 存储桶上，并调用 AWS sagemaker API。由于两个引用中都存在相同的 Amazon.RegionEndPoint 类，因此它给出了以下错误。

“RegionEndpoint”类型存在于“AWSSDK.Core, Version=3.3.0.0, Culture=neutral, PublicKeyToken=885c28607f98e604”和“AWSSDK, Version=2.3.55.2”中

基本上我正在尝试按照我使用过的代码在 AWS S3 上上传文件。

它在单个应用程序上运行良好，但是当我将代码与 Sagemaker API 调用集成时，Amazon.RegionEndpoint.USEast2 发生冲突。

我正在 Amazon Sagemaker 上执行 Python-Tensorflow 脚本。我需要将我的模型检查点到我正在使用的 S3 实例，但如果不使用 Sagemake Tensorflow 版本，我无法找到如何做到这一点。

如何在不使用 Sagemaker TF 版本的情况下对 S3 实例进行一个检查点？