使用第三方 Git 存储库浏览 SageMaker 人工智能 MLOps项目 - 亚马逊 SageMaker AI
步骤 1：设置 GitHub连接步骤 2：创建项目第 3 步：修改代码步骤 4：批准模型（可选）步骤 5：将模型版本部署到生产环境步骤 6：清理资源

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

使用第三方 Git 存储库浏览 SageMaker 人工智能 MLOps项目

重要

截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用 Studio Classic 应用程序。有关使用更新的 Studio 体验的信息，请参阅 亚马逊 SageMaker Studio。

本演练使用模板演示MLOps 使用第三方 Git 进行模型构建、训练和部署的模板 CodePipeline如何使用 MLOps 项目来创建用于构建、训练和部署模型的 CI/CD 系统。

先决条件

要完成本演练，您需要：

步骤 1：设置 GitHub连接

在此步骤中，您将使用连接连接到您的 GitHub 存储库。AWS CodeConnectionsA SageMaker I 项目使用此连接来访问您的源代码存储库。

要设置 GitHub 连接，请执行以下操作：

  1. 登录 CodePipeline 控制台，网址为 https://console.aws.amazon.com/codepipeline/

  2. 在导航窗格的设置下，选择连接。

  3. 选择创建连接。

  4. 在 “选择提供商” 中，选择GitHub。

  5. 对于名称，请输入一个名称。

  6. 选择 “连接到” GitHub。

  7. 如果之前未安装过 AWS Connector GitHub 应用程序，请选择 “安装新应用程序”。

    这将显示您有权访问的所有 GitHub 个人帐户和组织的列表。

  8. 选择要在其中建立连接以用于 SageMaker 项目和 GitHub 存储库的帐户。

  9. 选择配置。

  10. 您可以选择特定存储库，也可以选择所有存储库。

  11. 选择保存。安装应用程序后，您将被重定向到 “Connect t GitHub o” 页面，并且会自动填充安装 ID。

  12. 选择连接。

  13. 向此 CodeConnections 连接添加包含密钥sagemaker和值true的标签。

  14. 复制连接 ARN 进行保存以备后用。在项目创建步骤中使用 ARN 作为参数。

步骤 2：创建项目

在此步骤中，您将使用 A SageMaker SageMaker I 提供的 MLOps 项目模板创建、训练和部署模型，从而创建 AI 项目。

创建 A SageMaker I MLOps 项目

  1. 登录 Studio。有关更多信息，请参阅 亚马逊 SageMaker AI 域名概述。

  2. 在 Studio 侧边栏中，选择主页图标 ( Black square icon representing a placeholder or empty image. )。

  3. 从菜单中选择部署，然后选择项目。

  4. 选择创建项目。

    此时将显示创建项目选项卡。

  5. 对于 SageMaker AI 项目模板，请选择使用第三方 Git 存储库进行模型构建、训练和部署 CodePipeline。

  6. 选择下一步。

  7. 在 “ModelBuild CodeRepository 信息” 下，提供以下参数：

    • 对于分支，请输入 Git 存储库中要用于管道活动的分支。

    • 在 “完整存储库名称” 中，以username/repository name或的格式输入 Git 存储库名称organization/repository name。

    • 对于代码连接 ARN，请输入您在步骤 1 中创建的 CodeConnections 连接的 ARN。

  8. 在 “ModelDeploy CodeRepository 信息” 下，提供以下参数：

    • 对于分支，请输入 Git 存储库中要用于管道活动的分支。

    • 在 “完整存储库名称” 中，以username/repository name或的格式输入 Git 存储库名称organization/repository name。

    • 对于代码连接 ARN，请输入您在步骤 1 中创建的 CodeConnections 连接的 ARN。

  9. 选择创建项目。

该项目将显示在项目列表中，状态为已创建。

第 3 步：修改代码

现在，对构建模型的管道代码进行更改，并提交该更改以启动新的管道运行。管道运行注册了一个新的模型版本。

更改代码

  1. 在您的模型构建 GitHub 存储库中，导航到该pipelines/abalone文件夹。双击 pipeline.py 打开代码文件。

  2. 在 pipeline.py 文件中，找到设置训练实例类型的行。

    training_instance_type = ParameterString(
        name="TrainingInstanceType", default_value="ml.m5.xlarge"

    打开文件进行编辑，将 ml.m5.xlarge 更改为 ml.m5.large，然后提交。

提交代码更改后， MLOps 系统会启动创建新模型版本的管道运行。在下一步，您将批准新模型版本以将其部署到生产环境。

步骤 4：批准模型

现在，您可以批准在上一步中创建的新模型版本，以启动将模型版本部署到 A SageMaker I 端点。

批准模型版本

  1. 在 Studio Classic 侧边栏中，选择主页图标 ( Black square icon representing a placeholder or empty image. )。

  2. 从菜单中选择部署，然后选择项目。

  3. 找到您在第一步中创建的项目的名称，然后双击该名称以打开项目的项目选项卡。

  4. 在项目选项卡中，选择模型组，然后双击出现的模型组的名称。

    随即显示模型组选项卡。

  5. 在模型组选项卡中，双击版本 1。随即打开版本 1 选项卡。选择更新状态。

  6. 在模型更新模型版本状态对话框的状态下拉列表中，选择批准，然后选择更新状态。

    批准模型版本会导致 MLOps 系统将模型部署到暂存阶段。要查看端点，请在项目选项卡上选择端点选项卡。

（可选）步骤 5：将模型版本部署到生产环境

现在，您可以将模型版本部署到生产环境。

注意

要完成此步骤，您需要成为 Studio Classic 域的管理员。如果您不是管理员，请跳过此步骤。

将模型版本部署到生产环境

  1. 登录 CodePipeline 控制台，网址为 https://console.aws.amazon.com/codepipeline/

  2. 选择 Pipelin es，然后选择名为 sagemaker-projectname-projectid-modeldeploy 的管道，其中projectname是你的项目名称，projectid也是你的项目的 ID。

  3. 在DeployStaging舞台中，选择 “查看”。

  4. 在审核对话框中，选择批准。

    批准该DeployStaging阶段会导致 MLOps系统将模型部署到生产中。要查看端点，请在 Studio Classic 的项目选项卡上选择端点选项卡。

步骤 6：清理资源

要停止产生费用，应清理本演练中已创建的资源。

注意

要删除 CloudFormation 堆栈和 Amazon S3 存储桶，您需要成为 Studio Classic 中的管理员。如果您不是管理员，请让您的管理员完成这些步骤。

  1. 在 Studio Classic 侧边栏中，选择主页图标 ( Black square icon representing a placeholder or empty image. )。

  2. 从菜单中选择部署，然后选择项目。

  3. 从下拉列表中选择目标项目。如果未看到您的项目，请键入项目名称并应用筛选条件来查找项目。

  4. 选择项目以在主面板中查看其详细信息。

  5. 从操作菜单中选择删除。

  6. 从删除项目窗口中选择删除，确认您的选择。

    这将删除项目创建的 Service Catalog 预置产品。这包括为项目创建的 CodeCommit CodePipeline、和 CodeBuild 资源。

  7. 删除项目创建的 CloudFormation 堆栈。有两个堆栈，一个用于暂存，一个用于生产。堆栈的名称是 sagemaker—— deplo project-id y projectname-stag ing 和 sagemaker—— deplo project-id y projectname-prod，其中projectname是你的项目名称，也是你的项目的 ID。project-id

    有关如何删除 CloudFormation 堆栈的信息，请参阅《CloudFormation 用户指南》中的在 CloudFormation 控制台上删除堆栈。

  8. 删除项目创建的 Amazon S3 存储桶。存储桶的名称是 sagemaker-project-project-id，其中project-id是你的项目的 ID。