Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Implemente un modelo JumpStart

Puede implementar un JumpStart modelo previamente entrenado para la inferencia mediante la CLI o el SDK.

Uso de la CLI

Ejecute el siguiente comando para implementar un JumpStart modelo:

hyp create hyp-jumpstart-endpoint \
    --version 1.0 \
    --model-id deepseek-llm-r1-distill-qwen-1-5b \
    --model-version 2.0.4 \
    --instance-type ml.g5.8xlarge \
    --endpoint-name endpoint-jumpstart \
    --tls-output-s3-uri s3://tls-bucket-inf1-beta2

Uso del SDK

Cree un script de Python con el siguiente contenido:

from sagemaker.hyperpod.inference.config.hp_jumpstart_endpoint_config import Model, Server, SageMakerEndpoint, TlsConfig
from sagemaker.hyperpod.inference.hp_jumpstart_endpoint import HPJumpStartEndpoint

model = Model(
    model_id="deepseek-llm-r1-distill-qwen-1-5b",
    model_version="2.0.4"
)

server = Server(
    instance_type="ml.g5.8xlarge"
)

endpoint_name = SageMakerEndpoint(name="endpoint-jumpstart")

tls_config = TlsConfig(tls_certificate_output_s3_uri="s3://tls-bucket-inf1-beta2")

js_endpoint = HPJumpStartEndpoint(
    model=model,
    server=server,
    sage_maker_endpoint=endpoint_name,
    tls_config=tls_config
)

js_endpoint.create()

Invocar al punto de conexión

Uso de la CLI

Pruebe el punto final con una entrada de muestra:

hyp invoke hyp-jumpstart-endpoint \
    --endpoint-name endpoint-jumpstart \
    --body '{"inputs":"What is the capital of USA?"}'

Uso del SDK

Agrega el siguiente código a tu secuencia de comandos de Python:

data = '{"inputs":"What is the capital of USA?"}'
response = js_endpoint.invoke(body=data).body.read()
print(response)

Gestione el punto final

Uso de la CLI

Enumere e inspeccione el punto final:

hyp list hyp-jumpstart-endpoint
hyp get hyp-jumpstart-endpoint --name endpoint-jumpstart

Uso del SDK

Agrega el siguiente código a tu secuencia de comandos de Python:

endpoint_iterator = HPJumpStartEndpoint.list()
for endpoint in endpoint_iterator:
    print(endpoint.name, endpoint.status)

logs = js_endpoint.get_logs()
print(logs)

Eliminar recursos

Cuando haya terminado, elimine el punto final para evitar costes innecesarios.

Uso de la CLI

hyp delete hyp-jumpstart-endpoint --name endpoint-jumpstart

Uso del SDK

js_endpoint.delete()

Pasos a seguir a continuación

Ahora que ha entrenado un PyTorch modelo, lo ha implementado como un punto final personalizado y ha implementado un JumpStart modelo mediante HyperPod la CLI y el SDK, explore las funciones avanzadas:

Para ver más ejemplos y configuraciones avanzadas, visita el SageMaker HyperPod GitHub repositorio.