SageMaker PyTorchModel传递自定义变量
通过SageMaker PyTorchModel传递自定义变量,pytorch,amazon-sagemaker,keyword-argument,Pytorch,Amazon Sagemaker,Keyword Argument,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,
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'}
)