Amazon SageMaker 部署 AIGC 应用：训练、优化、部署与 Web 前端集成实践
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。它支持模型开发、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。
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 Cloud9 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
步骤一：创建亚马逊云科技账户
- 注册亚马逊云科技账号。
- 进入注册页面（使用电子邮件地址进行注册），输入根用户电子邮件地址，编辑亚马逊云科技账户名称，然后选择验证电子邮件地址。
- 设置用户信息：输入根用户密码和确认根用户密码，选择个人或企业。
- 添加付款信息（账单信息页面上，输入付款方式的信息，然后选择验证并添加）。
- 用户信息验证（选择接收验证码的联系方式、选择电话号码的国家或地区代码）。
- 客户验证与激活账户（选择亚马逊云科技支持服务计划）。
- 注册成功。
步骤二：创建 Amazon SageMaker Notebook 实例
- 登录亚马逊云科技控制台。
- 进入 SageMaker 服务，查找服务处搜索 SageMaker。
- 进入 Notebook 笔记本实例控制面板（左侧菜单栏，点击笔记本实例）。
- 创建笔记本实例。
- 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）。
- 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。
- 弹出的配置页面中，默认配置即可。
- 成功创建 IAM 角色。
- 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）。
- 等待实例创建成功，进入 Jupyter Notebook。
- 构建 Stable-Diffusion 环境（Jupyter Lab 控制台，选择最下面的 Terminal）。
- 下载 Notebook 代码文件。
- 打开刚刚下载的 Notebook 文件，内核选择 conda_pytorch_p39。
步骤三：Amazon Cloud9 构建前后端 Web 应用
- 亚马逊云科技控制台进入 Cloud9 服务。
- 创建 Cloud9 环境。
- 配置 Cloud9 环境名字配置，其他部分配置保持默认，等待创建成功即可。
- 进入 Amazon Cloud9 环境。
- 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。 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。
- Amazon Cloud9 上安装 Flask 和 boto3。
- 运行 app.py，并且点击 Amazon Cloud9 上方的 Run 按钮运行代码。
- 预览 web 前端页面。
- Amazon Cloud9 环境打开 web 页面。
- 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。
- 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。