用 SageMaker 跑通 AIGC 部署到前端的流程

用 SageMaker 跑通 AIGC 部署到前端的流程

背景

Amazon SageMaker 是亚马逊云科技的全托管机器学习服务，覆盖数据处理、模型训练、超参数优化和推理部署。对 AIGC 场景来说，它比较省心的一点是：Notebook 可以用来快速试模型，训练阶段能接分布式资源，模型跑通后也能直接挂成 Inference Endpoint。和 S3、CloudWatch 这些服务也能接上，做完整链路时不需要自己把基础设施一层层搭起来。

环境准备与模型测试

步骤一：创建亚马逊云科技账户

1. 注册亚马逊云科技官网账户。
2. 进入注册页面，输入电子邮件地址进行注册。
3. 设置根用户密码，选择个人或企业类型。
4. 添加有效的付款方式信息。
5. 完成用户信息验证（接收验证码）。
6. 客户验证与激活账户。
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，搜索并进入 SageMaker 服务。
2. 在左侧菜单栏点击笔记本实例，进入控制面板。
3. 创建笔记本实例，配置基本信息（名称、实例类型、存储大小）。
4. 配置权限，创建 IAM 角色用于调用 SageMaker 和 S3 等服务。
5. 确认配置信息无误后创建实例。
6. 等待实例创建成功，进入 Jupyter Notebook。
7. 构建 Stable-Diffusion 环境：
   • 在 Jupyter Lab 控制台选择 Terminal。
   • 下载 Notebook 代码文件。
   • 打开 Notebook 文件，内核选择 conda_pytorch_p39。

这一步主要是把模型验证环境先搭起来。Notebook 的好处是调试快，坏处也明显，资源配多了成本上去得很快，所以我一般会先把最小可用环境跑通，再看要不要加大实例规格。

Web 应用构建与集成

步骤三：Amazon Cloud9 构建前后端 Web 应用

1. 在亚马逊云科技控制台进入 Cloud9 服务。
2. 创建 Cloud9 环境，配置名字，其他部分保持默认。
3. 进入 Amazon Cloud9 环境。
4. 在控制台中输入指令下载保存 Web 应用程序代码压缩文件，并解压。
   • 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。
5. 在 Amazon Cloud9 上安装 Flask 和 boto3：

pip install flask boto3

6. 运行 app.py，点击 Amazon Cloud9 上方的 Run 按钮运行代码。
7. 预览 web 前端页面，在 Amazon Cloud9 环境打开 web 页面。
8. 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。
   • 建议详细描述需求信息，以便 AI 绘制出的图片更贴合预期。
   • 例如通过描述性词语如 cartoon style、van gogh style、realistic 表明图片的整体风格。
   • 示例：将长度和宽度都设置成 512，输入描绘性语句生成一张卡通风格的宇航员猴子图片。
9. 查看成功页面展示。

这里的实现思路不复杂：Cloud9 负责 Web 应用的开发和预览，后端 只做一件事，就是把前端请求转给 SageMaker Endpoint。前端收集 Prompt 和尺寸参数，后端拿 boto3 调接口，最后把生成结果返回给页面。链路短，排障也直接，适合先把服务打通。