翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

カスタムモデルをデプロイする

トレーニングが完了したら、推論用にモデルをデプロイします。カスタムモデルは、 CLI または SDK を使用してデプロイできます。

モデルアーティファクトを探す

CLI を使用してデプロイする

モデルをデプロイするには、次の手順を実行します。

hyp create hyp-custom-endpoint \
    --version 1.0 \
    --env '{"HF_MODEL_ID":"/opt/ml/model", "SAGEMAKER_PROGRAM":"inference.py", }' \
    --model-source-type s3 \
    --model-location test-pytorch-job \
    --s3-bucket-name my-bucket \
    --s3-region us-east-2 \
    --prefetch-enabled true \ 
    --image-uri 763104351884.dkr.ecr.us-east-1.amazonaws.com/pytorch-inference:latest \
    --model-volume-mount-name model-weights \
    --container-port 8080 \
    --resources-requests '{"cpu": "30000m", "nvidia.com/gpu": 1, "memory": "100Gi"}' \
    --resources-limits '{"nvidia.com/gpu": 1}' \
    --tls-output-s3-uri s3://<bucket_name> \
    --instance-type ml.g5.8xlarge \
    --endpoint-name endpoint-custom-pytorch \
    --model-name pytorch-custom-model

このコマンドは、トレーニング済みモデルを endpoint-custom-pytorch という名前のエンドポイントとしてデプロイします。--model-location は、トレーニングジョブのアーティファクトのパスを参照します。

Python SDK を使用してデプロイする

次のコンテンツで Python スクリプトを作成します。

from sagemaker.hyperpod.inference.config.hp_custom_endpoint_config import Model, Server, SageMakerEndpoint, TlsConfig, EnvironmentVariables
from sagemaker.hyperpod.inference.hp_custom_endpoint import HPCustomEndpoint

model = Model(
    model_source_type="s3",
    model_location="test-pytorch-job",
    s3_bucket_name="my-bucket",
    s3_region="us-east-2",
    prefetch_enabled=True
)

server = Server(
    instance_type="ml.g5.8xlarge",
    image_uri="763104351884.dkr.ecr.us-east-2.amazonaws.com/huggingface-pytorch-tgi-inference:2.4.0-tgi2.3.1-gpu-py311-cu124-ubuntu22.04-v2.0",
    container_port=8080,
    model_volume_mount_name="model-weights"
)

resources = {
    "requests": {"cpu": "30000m", "nvidia.com/gpu": 1, "memory": "100Gi"},
    "limits": {"nvidia.com/gpu": 1}
}

env = EnvironmentVariables(
    HF_MODEL_ID="/opt/ml/model",
    SAGEMAKER_PROGRAM="inference.py",
    SAGEMAKER_SUBMIT_DIRECTORY="/opt/ml/model/code",
    MODEL_CACHE_ROOT="/opt/ml/model",
    SAGEMAKER_ENV="1"
)

endpoint_name = SageMakerEndpoint(name="endpoint-custom-pytorch")

tls_config = TlsConfig(tls_certificate_output_s3_uri="s3://<bucket_name>")

custom_endpoint = HPCustomEndpoint(
    model=model,
    server=server,
    resources=resources,
    environment=env,
    sage_maker_endpoint=endpoint_name,
    tls_config=tls_config
)

custom_endpoint.create()

エンドポイントの呼び出し

CLI の使用

次のとおり、サンプル入力を使用してエンドポイントをテストします。

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

これは、「米国の首都はワシントン D.C.」など、モデルのレスポンスを返します。

SDK の使用

Python スクリプトに次のコードを含めます。

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

エンドポイントの管理

CLI の使用

エンドポイントの一覧表示と検査

hyp list hyp-custom-endpoint
hyp get hyp-custom-endpoint --name endpoint-custom-pytorch

SDK の使用

Python スクリプトに次のコードを含めます。

logs = custom_endpoint.get_logs()
print(logs)

リソースをクリーンアップする

完了したら、不要なコストを避けるためにエンドポイントを削除します。

CLI の使用

hyp delete hyp-custom-endpoint --name endpoint-custom-pytorch

SDK の使用

custom_endpoint.delete()

次の手順

これで、SageMaker HyperPod を使用したカスタムモデルのデプロイとテストが正常に完了しました。このエンドポイントをアプリケーションで推論に使用できるようになりました。