Amazon SageMaker 部署 AIGC 应用：训练 - 优化 - 部署 - Web 前端集成应用实践

优质文章学习记录

— 8 min read
Amazon SageMaker 部署 AIGC 应用：训练 - 优化 - 部署 - Web 前端集成应用实践

Amazon SageMaker 部署 AIGC 应用：训练 - 优化 - 部署 - Web 前端集成应用实践

背景

在这里插入图片描述
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

步骤一：创建亚马逊云科技账户
1、注册亚马逊云科技官网



2、进入注册页面（使用电子邮件地址进行注册）进入 创建亚马逊云科技账户页面（如果最近登录过亚马逊云科技，请选择登录控制台。如果未显示创建新亚马逊云科技账户，请首先选择登录其他账户，然后选择创建新亚马逊云科技账户）根用户电子邮件地址 中，输入电子邮件地址，编辑亚马逊云科技账户名称，然后选择验证电子邮件地址，该地址会收到一封包含验证码的亚马逊云科技验证电子邮件

安全验证

验证电子邮件地址（输入收到的代码，然后选择验证，可能需要几分钟才会收到代码，检查电子邮件和垃圾邮件文件夹中是否有验证码电子邮件）



3、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



4、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，必须先添加有效的支付方式才能继续注册）



5、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）



6、客户验证与激活账户（选择亚马逊云科技支持服务计划）



7、注册成功

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



7、弹出的配置页面中，默认配置即可



8、成功创建IAM角色



9、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）



10、等待实例创建成功，进入Jupyter Notebook


11、构建Stable-Diffusion环境（Jupyter Lab控制台，选择最下面的Terminal）



12、下载Notebook代码文件



13、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

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





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



11、成功页面展示



Amazon SageMaker工作原理

在这里插入图片描述
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

在这里插入图片描述
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

Read more

使用西门子博途TIA及仿真软件S7-PLCSIM Advanced通过Kepware OPCUA通讯与Fanuc ROBOGUIDE软件连接进行虚拟仿真调试机器人

使用西门子博途TIA及仿真软件S7-PLCSIM Advanced通过Kepware OPCUA通讯与Fanuc ROBOGUIDE软件连接进行虚拟仿真调试机器人

前言 使用ROBOGUIDE软件调试机器人时，与PLC通讯那端的调试使我很头痛，包含激活机器人启动回HOME等功能很难单独使用ROBOGUIDE实现（我想应该归咎于我比较菜），此时又需要建立新的PLC控制FANUC机器人的库就做了尝试用OPC搭建仿真环境的测试。测试成功用起来还不错。 配置TIA程序 ·创建PLC，例1515。开启OPC服务器。 OPC配置如下： 在TIA中为添加Fanuc机器人组态 以上为在TIA中OPC作为服务器的配置。 配置S7-PLCSIM Advanced V3.0  ·建立仿真PLC注意开Online Access。   输入PLC名称和IP地址，启动后将TIA中的PLC程序和配置下载到PLCSIM中。 配置kepware ·由于S7-1500作为OPC服务器，因此需要将kepware设置为客户端 ·先配置OPCUA项目属性 新建客户端配置属性 项目中属性要开允许匿名访问。客户端要输入opc服务器地址就是TIA配置的地址。 ·建立S7-1500通讯的变量 查看变量通讯状态。Quality为良好为通讯正常，Unknow

AI绘画新体验：用Qwen-Image-Lightning轻松生成水墨中国风作品

AI绘画新体验：用Qwen-Image-Lightning轻松生成水墨中国风作品 [【免费下载链接】Qwen-Image-Lightning 项目地址: https://ai.gitcode.com/hf_mirrors/lightx2v/Qwen-Image-Lightning/?utm_source=gitcode_aigc_v1_t0&index=top&type=card& "【免费下载链接】Qwen-Image-Lightning"] 你有没有试过这样描述一幅画：“一叶扁舟浮于烟雨江南，远山如黛，近水含烟，墨色渐变，留白处似有微风拂过纸面”——然后几秒钟后，一张真正带着水墨呼吸感的画就出现在屏幕上？不是模板拼贴，不是滤镜叠加，而是从文字意境直接生长出的东方气韵。 这不再是想象。Qwen-Image-Lightning 正在让“用中文写诗，AI落笔成画”成为日常操作。它不强迫你背英文术语，不考验你调参功力，更不卡在显存报错的红字里。
【VR音游】音符轨道系统开发实录与原理解析（OpenXR手势交互）

【VR音游】音符轨道系统开发实录与原理解析（OpenXR手势交互）

VR音游音符轨道系统开发实录与原理解析 在 VR 音游的开发过程中，音符轨道系统是最核心的交互与可视化部分。本文结合一次完整的开发实录，分享从核心原理与设计到VR内容构建的完整过程，帮助读者快速理解音符轨道系统的实现思路。 文章目录 * VR音游音符轨道系统开发实录与原理解析 * 一、实录结果 * 二、VR内容开发步骤 * 1. 准备音符与交互逻辑 * 2. 创建谱面 * 3. 绘制音轨 * 4. 预制件与音频替换 * 三、原理解析（音符轨道系统） * 1. 音符轨道（Note Track） * 2. 轨迹调节与偏移控制 * 3. 音符触摸激活 * 4. 谱面编辑工具（Editor 功能） * 四、总结与展望 * 1. 成果回顾：从零到一的核心突破 * 2. 技术总结：核心设计理念 * 3. 开发难点与问题反思 * 4. 优化策略与改进方向 * 5.

2026年RAG技术路线图：基于DeepSeek与Neo4j知识图谱构建企业智能体系

RAG的演进：为何图检索增强生成（GraphRAG）将主导2026年 检索增强生成（RAG）自问世以来经历了深刻变革，2026年标志着其向图检索增强生成（GraphRAG）范式的关键性转变。这一演进源于传统平面向量型RAG在满足企业级复杂推理和可靠决策支持需求方面日益凸显的局限性。 这一转型的核心驱动力是从平面向量相似性向复杂关系推理的跨越。传统RAG依赖向量嵌入来衡量查询与文档片段的语义相似性，但这种方法无法捕捉企业决策至关重要的实体、概念与事件间的复杂关联。相比之下，GraphRAG将信息构建为包含节点（实体）和边（关系）的知识图谱，使模型能够遍历并推理这些关联——解锁了平面向量RAG无法实现的多跳推理和上下文关系理解能力。 GraphRAG还解决了传统RAG的两大长期痛点：上下文窗口限制和“中间信息丢失”问题。随着企业查询日益复杂，需要更大的上下文窗口来整合相关信息，但即便是最先进的大语言模型（LLM）也存在有限的上下文容量。GraphRAG通过将结构化知识存储在外部图数据库中解决了这一问题，允许模型按需检索最相关的节点和关系，而非将大量文本塞入上下文窗口。此外，“中间信息