我使用内置 RESnet18 docker 映像训练了一个模型，现在我想将该模型部署到端点并对大约 100 万张图像进行分类。我将所有训练、验证和测试图像以 RecordIO 格式存储在 S3 上（使用 im2rec.py 转换）。根据文档：
Amazon SageMaker 图像分类算法支持 RecordIO (application/x-recordio) 和图像 (application/x-image) 内容类型进行训练。该算法仅支持应用程序/x-image 进行推理。
所以我无法对 RecordIO 格式的训练数据进行推理。为了克服这个问题，我将所有原始 .jpg 图像 (~ 2GB) 复制到我的 Sagemaker Jupyter Notebook 实例上，并通过以下方式一次执行一个推理：
img_list = os.listdir('temp_data') # list of all ~1,000,000 images
for im in img_list:
with open('temp_data/'+im, 'rb') as f:
payload = f.read()
payload = bytearray(payload)
response = runtime.invoke_endpoint(EndpointName=endpoint_name,
ContentType='application/x-image',
Body=payload)
etc...
不用说，将所有数据传输到我的笔记本实例上需要很长时间，我希望在运行推理之前不必这样做。为什么 SageMaker Image Classification 不支持 RecordIO 进行推理？更重要的是，在无需将图像从 S3 中移动的情况下对许多图像运行推理的最佳方法是什么？
RecordIO 格式旨在将大量图像打包到单个文件中，因此我认为它不能很好地预测单个图像。
在预测方面，您绝对不必将图像复制到笔记本实例或 S3。您只需从任何地方加载它们并将它们内联到您的预测请求中即可。
如果您想要基于 HTTP 的预测，以下是您的选择：
在任何计算机上使用 SageMaker SDK Predictor.predict() API（只要具有正确的 AWS 凭证）https://github.com/aws/sagemaker-python-sdk
在任何计算机上使用 AWS Python SDK（又名 boto3）API invoke_endpoint()（只要它具有正确的 AWS 凭证）
您甚至可以构建一个简单的服务来使用 Lambda 执行预处理或后处理。这是一个示例：https://medium.com/@julsimon/using-chalice-to-serve-sagemaker-predictions-a2015c02b033
如果你想要批量预测： 最简单的方法是从 SageMaker 检索经过训练的模型，编写几行临时 MXNet 代码来加载它并运行所有预测。这是一个示例：https://mxnet.incubator.apache.org/tutorials/python/predict_image.html