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。

# 部署自訂模型
<a name="deploy-trained-model"></a>

訓練完成後，請部署模型以進行推論。您可以使用 CLI 或 SDK 部署自訂模型。

## 尋找您的模型成品
<a name="locate-model-artifacts"></a>
+ **檢查您的 S3 儲存貯體**：驗證模型成品是否儲存在 `s3://my-bucket/model-artifacts/`
+ **注意確切路徑**：您將需要完整路徑 (例如 `s3://my-bucket/model-artifacts/test-pytorch-job/model.tar.gz`)

## 使用 CLI 進行部署
<a name="deploy-using-cli"></a>

執行下列命令來部署您的自訂模型：

```
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
```

此命令會將已訓練模型部署為名為 `endpoint-custom-pytorch` 的端點。`--model-location` 參考來自訓練任務的成品路徑。

## 使用 Python SDK 進行部署
<a name="deploy-using-sdk"></a>

使用以下內容建立 Python 指令碼：

```
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()
```

## 調用端點
<a name="invoke-endpoint"></a>

### 使用 CLI
<a name="invoke-using-cli"></a>

使用範例輸入測試端點：

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

這會傳回模型的回應，例如「美國首都是華盛頓特區」。

### 使用開發套件
<a name="invoke-using-sdk"></a>

將以下程式碼新增至您的 Python 指令碼。

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

## 管理端點
<a name="manage-endpoint"></a>

### 使用 CLI
<a name="manage-using-cli"></a>

列出並檢查端點：

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

### 使用開發套件
<a name="manage-using-sdk"></a>

將以下程式碼新增至您的 Python 指令碼。

```
logs = custom_endpoint.get_logs()
print(logs)
```

## 清除資源
<a name="cleanup-resources"></a>

完成後，請刪除端點以避免不必要的成本。

### 使用 CLI
<a name="cleanup-using-cli"></a>

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

### 使用開發套件
<a name="cleanup-using-sdk"></a>

```
custom_endpoint.delete()
```

## 後續步驟
<a name="next-steps"></a>

您已成功使用 SageMaker HyperPod 部署和測試自訂模型。您現在可以在應用程式中使用此端點進行推論。