Python Sagemaker:指定自定义入口点会导致找不到错误

我正在尝试将使用tensorflow训练的对象检测模型部署到sagemaker。在模型创建期间，我可以在不指定任何入口点的情况下部署它，但事实证明，这样做只适用于小尺寸的图像（Sagemaker限制为5MB）。我使用的代码如下：

来自sagemaker.tensorflow.service导入模型的

#初始化模型。。。
模型(
模型\数据=s3\路径\对于\模型，
角色=sagemaker\u角色，
framework_version=“1.14”，
环境=环境）
#部署模型。。。
predictor=model.deploy（初始实例计数=1，
实例（type='ml.t2.medium'）
#使用图像进行测试。。。
进口cv2
将numpy作为np导入
image\u content=cv2.imread（“路径到图像”，
1） .astype（'uint8'）.tolist（）
正文={“实例”：[{“输入”：图像内容}]}
#适用于小图像。。。
#我完全可以用这个预测。。。
结果=预测值。预测值（身体）

所以，我搜索了一下，发现我需要为

Model（）

传递一个

entry\u点，以便预测更大的图像。比如：

model=model(
entry_point=“inference.py”，
依赖项=[“requirements.txt”]，
模型\数据=s3\路径\对于\模型，
角色=sagemaker\u角色，
framework_version=“1.14”，
环境=环境
)

但是这样做会导致FileNotFoundError:[Errno 2]没有这样的文件或目录：“inference.py”。请帮我一点忙。我使用的是sagemaker python sdk

。 我的文件夹结构如下：

model
    |__ 001
          |__saved_model.pb
          |__variables
                |__<contents here>

    |__ code
          |__inference.py
          |__requirements.txt

模型
|__ 001
|__已保存的_model.pb
|__变数
|__
|__代码
|__推理机
|__requirements.txt

注意：我也尝试过，./code/inference.py和/code/inference.py

---

5MB是实时端点的硬限制

您确定需要传递如此大的图像进行预测吗？大多数用例可以很好地处理更小、更低分辨率的图像

如果需要实时预测，一种解决方法是在预测请求中传递图像s3uri（而不是图像本身），然后从S3加载图像

---

如果您不需要实时预测，那么您应该看看batch transform，它不强制执行大小限制：

Hi，谢谢您的回复。我需要实时预测，所以批处理转换不太适合我。你能详细说明一下吗（或者给我提供一些文件或文章）<代码>如果需要实时预测，一种解决方法是在预测请求中传递图像S3URI（而不是图像本身），然后从S3加载图像。没有示例，抱歉。我将使用TF服务的预处理函数从S3复制图像。嗨，普拉梅什，你能解决这个问题吗？@MLDev是的，我相信我能解决这个问题。但是，老实说，我再也不想经历那种痛苦了。我为此写了一篇博客。我希望这有帮助。