Amazon SageMaker 部署 AIGC 应用：训练优化及 Web 前端集成实践

Amazon SageMaker 部署 AIGC 应用：训练优化及 Web 前端集成实践

背景

Amazon SageMaker 是亚马逊云科技提供的全托管机器学习服务，整合数据处理、模型训练、超参数优化及部署推理全流程能力。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 S3 存储、CloudWatch 监控等生态组件，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。

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。

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。

Amazon SageMaker 工作原理