Amazon SageMaker 部署 AIGC 应用：训练 - 优化 - 部署 - Web 前端集成应用实践
背景
Amazon SageMaker 汇集广泛采用的亚马逊云科技机器学习和分析功能，统一访问所有数据，为分析和人工智能提供一体式体验，使用亚马逊云科技机工具进行模型开发、生成式人工智能、数据处理和 SQL 分析，在融通式合作开发工作室中加快协作和构建，借助强大的生成式人工智能软件开发助手 Amazon Q 开发者版提升效率，无论数据存储在数据湖、数据仓库，还是第三方或联合数据来源中，均可访问所有数据，同时内置治理功能可满足企业安全需求。
前言
本文将通过 Amazon SageMaker Notebook 实例完成 AIGC 模型的测试与验证，再将模型部署至 Amazon SageMaker Inference Endpoint 实现服务化，最后利用 Amazon Cloud 9 调试 Web 应用，并调用已部署的 SageMaker Inference Endpoint 实现 AIGC 模型的实际应用
Amazon SageMaker 部署 AIGC 模型
步骤二：创建Amazon SageMaker Notebook实例
1、登录亚马逊云科技控制台
2、进入SageMaker服务，查找服务处搜索SageMaker
3、进入Notebook笔记本实例控制面板（左侧菜单栏，点击笔记本实例，进入笔记本Notebook实例控制面板）
4、创建笔记本实例
5、配置笔记本实例设置，创建笔记本实例详情页中，配置笔记本实例的基本信息（设置笔记本实例的名称、选择笔记本实例、以及存储的大小）
6、配置笔记本实例权限（笔记本实例创建一个IAM角色，用于调用调用包括 SageMaker 和 S3 在内的其他服务，例如上传模型，部署模型等）IAM角色出，点击下拉列表，选择创建新角色
6、弹出的配置页面中，默认配置即可
7、成功创建IAM角色
8、创建实例（检查先前配置的信息，确认无误点击创建笔记本实例）
9、等待实例创建成功，进入Jupyter Notebook
10、构建Stable-Diffusion环境（Jupyter Lab控制台，选择最下面的Terminal）
11、下载Notebook代码文件
cd SageMaker wget https://static.us-east-1.prod.workshops.aws/public/648e1f0c-f5e0-40eb-87b1-7f3638dba539/static/code/notebook-stable-diffusion.ipynb
12、打开刚刚下载的Notebook文件，内核选择conda_pytorch_p39
步骤三：Amazon Cloud 9 构建前后端Web应用
1、亚马逊云科技控制台进入 Cloud9 服务
2、创建Cloud 9 环境
3、配置Cloud 9 环境
- 名字配置
- 其他部分配置保持默认，等待创建创建成功即可
4、进入Amazon Cloud9 环境
5、Cloud9 下方的控制台中输入以下指令下载保存Web应用程序代码压缩文件，并将该压缩文件进行解压
cd ~/environment wget https://static.us-east-1.prod.workshops.aws/public/b113102f-3dac-4794-80e9-ed527d939c49/static/code/SampleWebApp.zip unzip SampleWebApp.zip解压后SampleWebApp文件夹包含以下内容：
- 后端代码 app.py：接收前端请求并调用 SageMaker Endpoint 将文字生成图片
- 两个前端html文件 image.html 和 index.html
6、Amazon Cloud9上安装 Flask 和 boto3
pip3 install Flask pip3 install boto3
7、运行 app.py，并且点击 Amazon Cloud9 上方的 Run 按钮运行代码
8、预览web前端页面
9、Amazon Cloud9 环境打开web 页面
10、输入信息生成图片（自定义图片长度和宽度，Prompt 输入框处输入语句或描绘性词汇生成图片）
输入语句时，详细描述需求信息，以便AI绘制出的图片更贴合预期，比如通过描述性词语，如 cartoon style、van gogh style、realistic 表明图片的整体风格
例如：可将长度和宽度都设置成512，输入以下描绘性语句生成一张卡通风格的宇航员猴子图片，以及一张超级英雄的图片
a cartoon style cute monkey wearing a space suit, star background; clear portrait of a superhero concept between spiderman and batman, cottagecore
11、成功页面展示
Amazon SageMaker工作原理
Amazon SageMaker 全托管机器学习服务，通过整合数据处理、模型训练、超参数优化、部署推理的全流程能力，支持开发者使用 Notebook 实例快速调试 AIGC 模型，借助分布式训练集群加速算法迭代，并将模型高效部署为可自动扩缩容的 Inference Endpoint，同时深度集成亚马逊云科技生态S3 存储、CloudWatch 监控等，以容器化架构和 Kubernetes 集群管理实现从开发到生产的无缝衔接，大幅降低机器学习工程化门槛
- 完全托管服务：用户无需操心服务器等基础设施的管理，SageMaker 负责处理硬件资源的配置、管理和维护，将用户从复杂的运维工作中解放出来，使开发者专注于机器学习模型的开发，大大降低运维成本和复杂性
- 集成开发环境强大：提供基于 Web 的可视化界面，集成了数据探索、模型训练、调试、评估和部署等所有机器学习开发步骤，为数据科学团队提供了一站式的工作平台，能显著提高工作效率
- 支持自动模型构建：依据用户提供的数据自动构建、训练和调整最佳机器学习模型，无需人工进行特征准备、算法测试和模型参数优化等繁琐工作，让没有深厚机器学习专业知识的用户也能快速构建分类和回归模型
总结
本文通过创建亚马逊云科技账户、搭建 SageMaker Notebook 实例测试 Stable-Diffusion 模型、利用 Cloud9 构建 Web 应用并调用模型 Endpoint，实现 AIGC 应用从训练到前端集成的全流程实践，展现 SageMaker 全托管、集成开发及自动化模型构建的核心优势，降低 AIGC 工程化门槛。如果小伙伴们感兴趣可以访问亚马逊云科技官网进行免费体验哈！
友情提示：如果决定不再使用服务的话，记得要在控制台关闭服务，以防超过免费额度产生扣费