本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 執行培訓過的 Amazon Rekognition 自訂標籤模型
<a name="running-model"></a>

當您對模型的效能感到滿意時，您便可以開始使用它。您可以使用 主控台或 AWS SDK 來啟動和停止模型。主控台還包括您可以使用的範例 SDK 操作。

**Topics**
+ [推論單元](#running-model-inference-units)
+ [可用區域](#running-model-availability-zones)
+ [啟動 Amazon Rekognition 自訂標籤模型](rm-start.md)
+ [停止 Amazon Rekognition 自訂標籤模型](rm-stop.md)
+ [報告使用的執行持續時間和推論單元](rm-model-usage.md)

## 推論單元
<a name="running-model-inference-units"></a>

當您啟動模型時，您可以指定模型使用的計算資源 (稱為推論單元) 的數量。

**重要**  
根據您配置模型執行的方式，您需要根據模型執行的時數以及模型執行時使用的推理單元的數量付費。例如，您使用兩個推論單元啟動模型，並使用該模型 8 小時，則需支付 16 個推論時數的費用（8 小時執行時間 \* 2 個推論單元）。如需更多詳細資訊，請參閱 [推論時數](https://aws.amazon.com/rekognition/pricing/#Amazon_Rekognition_Custom_Labels_pricing)。如果您沒有明確 [停止模型](rm-stop.md)，即使您沒有主動使用模型分析圖像，仍需支付費用。

單一推論單元支援的每秒交易數 (TPS) 會受到以下項目的影響。
+ 偵測影像層級標籤 (分類) 的模型，通常比偵測和使用週框方塊定位物件 (物件偵測) 的模型具有更高的 TPS。
+ 模型的複雜性。
+ 解析度較高的影像需要更多時間進行分析。
+ 圖像中的物體越多，需要更多時間進行分析。
+ 較小的圖像比較大的圖像的分析速度更快。
+ 以圖像位元組形式傳遞的圖像的分析速度比先將圖像上傳到 Amazon S3 儲存貯體然後引用上傳的圖像要快。作為圖像位元組傳遞的圖像必須小於 4.0 MB。我們建議您在圖像大小小於 4.0 MB 時使用圖像位元組進行近乎即時的圖像處理。例如，從 IP 攝影機擷取的圖像。
+ 處理儲存在 Amazon S3 儲存貯體中的圖像比下載圖像、轉換為圖像位元組，然後傳遞圖像位元組進行的分析更快。
+ 分析已儲存在 Amazon S3 儲存貯體中的圖像可能比分析作為圖像位元組傳遞的相同圖像更快。如果圖像較大，則尤其如此。

如果呼叫次數 `DetectCustomLabels` 超過模型使用的推論單元總和支援的最大 TPS，Amazon Rekognition 自訂標籤將傳回 `ProvisionedThroughputExceededException` 異常。

### 使用推論單元管理輸送量
<a name="running-model-manage-throughput"></a>

您可以根據應用程式的需求增加或減少模型的輸送量。若要增加輸送量，請使用額外的推論單元。每個額外的推論單元都會將您的處理速度提高一個推論單元。有關計算所需推論單元數量的資訊，請參閱 [計算 Amazon Rekognition 自訂標籤和 Amazon Lookout for Vision 模型的推論單元](https://aws.amazon.com/blogs/machine-learning/calculate-inference-units-for-an-amazon-rekognition-custom-labels-model/)。如果您想要變更模型的支援輸送量，您有兩種選擇：

#### 手動新增或刪除推論單元
<a name="running-model-manual-inference-units"></a>

[停止](rm-stop.md) 模型，然後使用所需數量的推論單元 [重新啟動](rm-start.md)。這種方法的缺點是模型在重新啟動時無法接收請求，並且無法用於處理需求峰值。如果您的模型具有穩定的輸送量，而且您的使用案例可以容忍 10 － 20 分鐘的停機時間，請使用此方法。例如，您想要使用每週排程批次呼叫模型。

#### 自動擴展推論單元
<a name="running-model-auto-scale-inference-units"></a>

如果您的模型必須適應高峰的需求，Amazon Rekognition 自訂標籤可以自動擴展模型使用的推論單元數量。隨著需求的增加，Amazon Rekognition 自訂標籤會在模型中新增額外的推論單元，並在需求減少時將其移除。

若要讓 Amazon Rekognition 自訂標籤自動擴展模型的推論單元，請 [啟動](rm-start.md) 模型並使用該 `MaxInferenceUnits` 參數設定可使用的推論單元數目上限。設定推論單元的最大數量可讓您透過限制可用的推論單元數量來管理執行模型的成本。如果您未指定單元數目上限，Amazon Rekognition 自訂標籤不會自動擴展模型，只會使用您開始使用的推論單元數量。如需推論單元數目上限的更多詳細資訊，請參閱 [Service Quotas](https://docs.aws.amazon.com/general/latest/gr/rekognition.html#limits_rekognition)。

您也可以使用 `MinInferenceUnits` 參數指定最小推論單元數量。這可讓您指定模型的最小輸送量，其中單一推論單元代表 1 小時的處理時間。

**注意**  
您無法使用 Amazon Rekognition 自訂標籤主控台設定推論單元的數量上限。相反，請指定 `StartProjectVersion` 操作的 `MaxInferenceUnits` 輸入參數。

Amazon Rekognition 自訂標籤提供下列 Amazon CloudWatch Logs 指標，您可以使用這些指標來判斷模型目前的自動擴展狀態。


| 指標 | Description | 
| --- | --- | 
| `DesiredInferenceUnits` | Amazon Rekognition 自訂標籤要縱向擴展或縮減的推論單元數量。 | 
| `InServiceInferenceUnits` | 模型正在使用的推論單元數目。 | 

如果 `DesiredInferenceUnits` = `InServiceInferenceUnits`，則 Amazon Rekognition 自訂標籤目前不會擴展推論單元的數量。

如果 `DesiredInferenceUnits` > `InServiceInferenceUnits`，則 Amazon Rekognition 自訂標籤將縱向擴展到的 `DesiredInferenceUnits` 值。

如果 `DesiredInferenceUnits` < `InServiceInferenceUnits`，則 Amazon Rekognition 自訂標籤將縮減規模為的 `DesiredInferenceUnits` 值。

 如需 Amazon Rekognition 自訂標籤和篩選維度傳回的指標的更多詳細資訊，請參閱 [CloudWatch metrics for Rekognition](https://docs.aws.amazon.com/rekognition/latest/dg/cloudwatch-metricsdim.html)。

若要找出您要求的模型推論單元數量上限，請呼叫 `DescribeProjectsVersion` 並檢查回應中的 `MaxInferenceUnits` 欄位。如需範例程式碼，請參閱 [描述一個模型 (SDK)](md-describing-model-sdk.md)。

## 可用區域
<a name="running-model-availability-zones"></a>

Amazon Rekognition 自訂標籤會將推論單元分散到一個 AWS 區域內的多個可用區域，以提供更高的可用性。如需更多詳細資訊，請參閱 [可用區域](https://aws.amazon.com/about-aws/global-infrastructure/regions_az/#Availability_Zones)。為了協助保護您的生產模型免於可用區域中斷和推論單元故障的影響，請至少使用兩個推論單元來啟動生產模型。

如果發生可用區域中斷的情況，則可用區域中的所有推論單元將無法使用，且模型容量也會降低。對 [檢測自訂標籤](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_DetectCustomLabels) 的呼叫會重新分配至其餘的推論單元。如果這類呼叫未超過其餘推論單元所支援的每秒交易數 (TPS)，則此類呼叫就會成功。AWS 修復可用區域後，推論單元會重新啟動，並恢復完整容量。

如果單一推論單元發生故障，Amazon Rekognition 自訂標籤會在相同的可用區域中自動啟動新的推論單元。模型容量會減少，直到新的推論單元啟動為止。