SageMaker PyTorchModel传递自定义变量

通过

PyTorchModel

类部署SageMaker模型时，是否可以传递自定义环境变量或kwargs

我希望能够通过自定义参数切换服务代码的功能，而不需要编写多个

service.py

来处理不同的训练模型导出方法

model = PyTorchModel(name='my_model',
                     model_data=estimator.model_data,
                     role=role,
                     framework_version='1.0.0',
                     entry_point='serve.py',
                     source_dir='src',
                     sagemaker_session=sess,
                     predictor_cls=ImagePredictor,
                     <custom_argument?>
                    )

model=PyTorchModel（name='my_model'，
模型_数据=估计器。模型_数据，
角色，
框架_version='1.0.0'，
入口点='serve.py'，
source_dir='src'，
sagemaker_session=sess，
预测器\u cls=图像预测器，
)

这应该是可行的（来自经过培训的

估计员

或来自

模型

，具有高级

这应该是可行的（从经过培训的

估计员

或从

模型

，高水平的

---

您是否尝试过在

PyTorchModel

中使用

env

参数？（参见）

---

您是否尝试过在

PyTorchModel

中使用

env

参数？（参见）

---

使用

PyTorchModel

I获取

TypeError:deploy（）获取了一个意外的关键字参数“env”

使用

PyTorchModel

I获取

TypeError:deploy（）获取了一个意外的关键字参数“env”

model.deploy(
    initial_instance_count=1, 
    instance_type='ml.m5.xlarge',
    env={'MY_ENVIRONMENT_VARIABLE':'value'})

model = PyTorchModel(name='my_model',
                     model_data=estimator.model_data,
                     role=role,
                     framework_version='1.0.0',
                     entry_point='serve.py',
                     source_dir='src',
                     sagemaker_session=sess,
                     predictor_cls=ImagePredictor,
                     env={'ENV_VALUE': 'val'}
                    )