基于AWS实现机器学习预测的Web服务

### 基于AWS实现机器学习预测的Web服务 在当今数字化时代，将机器学习模型的预测结果通过Web服务提供给用户是非常常见的需求。本文将详细介绍如何利用AWS（Amazon Web Services）的相关技术，实现将机器学习模型的预测结果通过Web服务进行提供。 #### 1. 整体步骤概述 整个过程主要分为以下几个步骤： 1. 设置SageMaker端点 2. 在本地计算机上配置AWS 3. 创建Web端点 4. 提供决策服务 下面是这些步骤的流程图： ```mermaid graph LR A[设置SageMaker端点] --> B[在本地计算机上配置AWS] B --> C[创建Web端点] C --> D[提供决策服务] ``` #### 2. 设置SageMaker端点 要设置SageMaker端点，需要完成以下几个子步骤： - 启动SageMaker - 上传笔记本 - 运行笔记本 ##### 2.1 启动SageMaker 首先，通过点击链接https://console.aws.amazon.com/sagemaker/home 访问AWS上的SageMaker服务。然后，启动你的笔记本实例，点击“Start”操作。几分钟后，页面会刷新，出现“Open Jupyter”链接以及“InService”状态消息。 ##### 2.2 上传笔记本 从链接https://s3.amazonaws.com/mlforbusiness/ch08/customer_support_slugify.ipynb 下载Jupyter笔记本到本地计算机。在笔记本实例中，点击“New”并选择“Folder”创建一个文件夹来存储笔记本。进入该文件夹后，点击右上角的“Upload”按钮，选择下载的笔记本并上传。 ##### 2.3 上传数据 如果你之前已经为相关内容设置了笔记本和数据，可以直接使用该数据集，跳过此步骤。如果没有，从链接https://s3.amazonaws.com/mlforbusiness/ch04/inbound.csv 下载数据集到本地计算机。然后，点击链接https://s3.console.aws.amazon.com/s3/home 进入AWS S3服务，创建或导航到存储本书数据的S3存储桶。在存储桶中创建一个文件夹来保存第4章的数据，点击“Create Folder”。进入该文件夹，点击左上角的“Upload”按钮，选择下载的CSV数据文件并上传。 ##### 2.4 运行笔记本并创建端点 在Jupyter笔记本实例运行且数据已上传到S3后，选择菜单中的“Cell”，然后点击“Run All”。大约5分钟后，笔记本中的所有单元格将运行完毕，你将创建一个端点。通过滚动到笔记本底部，检查倒数第二个单元格（“Test the Model”标题下方）是否有值来确认所有单元格已运行。运行完笔记本后，点击“Endpoints”链接查看你创建的端点的ARN（Amazon Resource Name），这在设置API端点时会用到。 #### 3. 设置无服务器API端点 在设置好SageMaker端点后，接下来要设置无服务器API端点，具体步骤如下： 1. 设置SageMaker端点（前面已完成） 2. 在本地计算机上配置AWS - 创建凭证 - 在本地计算机上安装凭证 - 配置凭证 3. 创建Web端点 4. 提供决策服务 ##### 3.1 在本地计算机上配置AWS 要在本地计算机上配置AWS，需要安装Python（版本3.6或更高）和一个文本编辑器，如Microsoft的Visual Studio Code（VS Code）。 - **创建凭证**：在任何AWS页面上，点击浏览器右上角的AWS用户名，在打开的页面中点击“Create access key”按钮，下载安全凭证为CSV文件，并保存到只有你能访问的地方。 - **安装凭证**：在本地计算机上创建