SageMaker 是 AWS 的核心人工智能产品之一，可以帮助我们度过机器学习生命周期的所有阶段。它为我们提供了一个简单的 Jupyter Notebook UI，可以用来编写基本的 Python 代码。它可以通过转储到 S3 桶中的数据或像 Kinesis shards 这样的流数据源来建立模型。一旦模型被训练，SageMaker 允许我们毫不费力地将它们部署到生产中。
为了一窥究竟，现在让我们尝试一个例子——它可以向我们展示 SageMaker 的真正力量。我们将致力于旧的 MNINST 数据集；经历 SageMaker 的所有开发阶段——从使用下载的数据训练模型开始——直到部署 Lambda 函数，该函数可以利用 SageMaker 开发的预测器端点。
SageMaker 在工作时使用 S3 铲斗倾倒模型。在我们训练模型时，将数据转储到 S3 桶中也很方便。因此，第一步是选择一个 S3 桶，我们使用的目的。我有一个桶是献给 SageMaker 的。我称之为 sagemaker-dumps。你可以选择一个适合你的目的的名字。
这个 bucket 不需要任何公共访问，因为我们在 SageMaker 内部处理它。生命周期规则可以将文件移动到 IA 或 Glacier 中—因为我们很少在模型最终确定后使用训练数据。
在完成 S3 桶之后，让我们回到 SageMaker。下一步是供应和创建一个笔记本实例。让我们从这一点开始。
从 AWS 控制台打开 SageMaker 服务，并导航到笔记本实例。点击“创建笔记本实例”按钮即可开始。它将提示笔记本实例设置。给它起一个好名字，选择 ml.m2.instance，这是最低的，可以满足我们现在的目的。在处理“真实”模型时，我们可以选择更高的值。不要担心费用。AWS 承诺我们按使用付费。
将其余部分保留为默认值，然后继续前进。
接下来，我们需要为笔记本创建一个 IAM 角色。请记住，我们的数据和模型需要放在我们刚刚创建的 S3 桶中。所以笔记本应该能接触到那个桶。我们不需要笔记本的任何其他特殊权限。
现在，我们可以开始“创建”了。AWS 需要一些时间来准备笔记本。我们可以在控制台上看到笔记本实例处于“挂起”状态
让它按照自己的方式工作，因为 AWS 提供了底层实例，并为我们的目的做好了准备。准备就绪后，我们可以看到控制台显示笔记本实例“正在使用中”
一旦我们准备好了一个笔记本实例，我们就可以进一步创建一个 JupyterLab。在笔记本实例控制台上，我们可以在 Actions 列中看到两个链接——Open Jupyter 和 Open JupyterLab。任何研究人工智能的人都知道什么是 Jupyter 笔记本。JupyterLab 就是这样，带点 AWS 的味道在上面。那么，让我们点击 JupyterLab。
这将打开一个弹出窗口，如下所示:
它提供了几个现成的模板，也允许我们创建自己的模板。此时，我们想要构建自己的模板。因此，让我们沿着这条道路前进。点击文件->新建->笔记本
它会提示你为打开的 Jupyter 笔记本选择一个内核。我喜欢蟒蛇 3。所以我选择那个。对于这个例子来说，这已经足够好了。好奇的人可以尝试使用其他内核。
这样，熟悉的 Jupyter 笔记本就出现了。我不喜欢“无标题”的笔记本。所以我把它改名为更有意义的名字。
有了框架，我们现在可以继续构建模型了。当然，任何 Python 代码的第一步都是导入相关模块。
接下来，我们可以创建一些占位符变量，使我们的生活更简单。
现在基础工作已经准备好了，我们可以下载用于构建模型的数据了。我们从“deeplearning.net”上下载数据。一旦我们有了 train 文件，我们就提取数据并将其分成训练集、测试集和验证集。
现在让我们看一看我们收集的数据。
这给了我们一个输出
(50000, 784)
(50000, )
我们在训练集中有 50，000 条记录。这些都是 28x28 的图像。并且这些图像中的每一个都映射到一个值，该值是由该图像表示的数字。
这显示了输出:
哇！我们有数据来训练模型。但是这个数据对我们的工作不利。我们需要对数据结构进行一些调整，以便为训练我们的模型做好准备。
做完后，我们把它倒进我们的 S3 桶里。
现在数据已经准备好了，让我们继续构建和部署可以用于我们工作的模型。
在上面的代码中，我们将数据转储到 S3 桶中。我们可以使用对该数据的引用来输入我们的模式。因此，让我们从创建 SageMaker 将用于此目的的数据通道开始。
请注意,“data_channels”保存了我们训练模型所需的所有数据的引用。
AWS 为我们提供了一条连接 SageMaker 和 S3 的通道。这使得我们的工作非常简单。我们不必为此增加实例 RAM 的负担。
SageMaker 还帮助我们构建通用的训练算法。这些预先部署在 ECS 的码头集装箱上。SageMaker 帮助我们直接链接到这些容器。我们所需要的就是一个 API 来为我们自己获取一个！
所以，我们所做的就是:获取一个容器，实例化一个模型，然后训练它。
最终的 xgb_model.fit()在迭代构建模型时生成训练日志。最后，估算器已经准备好了。
部署模型和流程的其余部分一样简单。我们所做的就是调用笔记本中的一个命令。
这将部署模型并生成可以从我们的代码中调用的端点。
我们可以导航到 sage maker-Models 控制台。在那里，我们可以看到模型已经准备好了。
我们还可以检查 SageMaker —端点控制台。在这里，我们可以看到等待我们的终点。
剩下的都是小事。一旦我们部署了模型和端点，我们就可以创建一个 Lambda 函数，可以通过 API 网关调用它。Lambda 函数可以像这样简单:
这在我们的例子中是可行的，因为我们使用的图像很小——784 像素。将大量图像作为 lambda 函数的参数发送出去可能是不健康的。在这种情况下，我们可以创建一个迷你架构，将图像转储到一个 S3 桶中——这将触发 Lambda 函数对其进行解码，并通知进行调用的 Amplify。