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

VsCode 远程 Copilot 调用 Claude Agent 提示 “无效请求”？参数配置错误的修正

解决 VsCode 远程 Copilot 调用 Claude Agent 提示“无效请求”问题 当在 VsCode 中通过远程 Copilot 调用 Claude Agent 时，若出现“无效请求”错误提示，通常与参数配置错误有关。以下方法可帮助排查和修正问题。 检查 API 密钥配置 确保 Claude Agent 的 API 密钥已正确配置在 VsCode 设置中。打开 VsCode 的设置文件（settings.json），验证以下参数是否完整： "claude.apiKey": "your_api_key_here"
【2026最新】OpenClaw保姆级安装配置教程-手把手教你在Windows上用 Node.js 22+Git+Kimi模型+飞书机器人去部署你的小龙虾 超详细带图展示详解（Windows 版）

【2026最新】OpenClaw保姆级安装配置教程-手把手教你在Windows上用 Node.js 22+Git+Kimi模型+飞书机器人去部署你的小龙虾 超详细带图展示详解（Windows 版）

前言介绍 2026年，你的“数字员工”入职指南 * 你是否设想过这样一个场景：在2026年的今天，你的飞书不再仅仅是一个打卡和开会的工具，而是一个拥有“超级大脑”的智能中枢。 * 当你深夜灵感迸发时，它能陪你头脑风暴；当你被繁琐的数据报表淹没时，它能一键生成分析摘要；甚至当你需要管理密码、监控博客更新时，它都能像一位得力的私人助理般默默搞定。 这一切不再是科幻电影里的桥段，而是触手可及的现实。 为什么是OpenClaw？ * 在AI Agent（智能体）爆发的2026年，OpenClaw 无疑是GitHub上最耀眼的明星之一。它被誉为“AI界的npm”，以其极高的可扩展性和本地化部署的隐私安全性，迅速席卷全球开发者社区。 * 不同于普通的聊天机器人，OpenClaw 是一个 “行动式智能体” 。它不仅能陪你聊天，更能通过安装各种 Skills（技能） 来接管你的工作流。它就像一只无所不能的“赛博龙虾”，潜伏在你的电脑后台，随时准备响应你的召唤。 ️告别环境混乱，拥抱极致纯净 * 对于开发者而言，部署环境往往是一场噩梦。不同项目依赖不同版本的 Node.
使用GpuGeek高效完成LLaMA大模型微调：实践与心得分享

使用GpuGeek高效完成LLaMA大模型微调：实践与心得分享

使用GpuGeek高效完成LLaMA大模型微调：实践与心得分享 🌟嗨，我是LucianaiB！ 🌍 总有人间一两风，填我十万八千梦。 🚀 路漫漫其修远兮，吾将上下而求索。 随着大模型的发展，越来越多的AI开发者开始尝试对开源模型进行微调，以适配垂直场景需求。但由于训练资源昂贵、部署过程繁琐，很多人仍止步于“想做”阶段。 本文将结合我在 GpuGeek 平台 上对 LLaMA 模型的微调实践，分享完整流程、调优经验以及平台带来的优势，帮助更多开发者低门槛开启大模型实践之路。 注册链接：https://gpugeek.com/login?invitedUserId=753279959&source=invited 一、选型与准备 选择模型：LLaMA-7B Meta发布的LLaMA系列模型在性能与资源消耗之间取得了不错的平衡，适合作为个人或中小团队的定制基础模型。我选择了 LLaMA-7B，结合LoRA方法进行微调。 选择平台：GpuGeek 为什么选GpuGeek？ ✅ 显卡资源充足、节点丰富：支持多种高性能GPU，

ClawdBot实际作品：语音会议录音→Whisper转写→重点内容摘要翻译

ClawdBot实际作品：语音会议录音→Whisper转写→重点内容摘要翻译 你有没有过这样的经历：开完一场两小时的跨国语音会议，满脑子都是“刚才对方到底说了什么关键条款？”、“那个技术参数我记全了吗？”、“下一步行动项谁负责？什么时候交付？”——而会议录音还静静躺在手机里，没人去碰。 ClawdBot 就是为这类真实场景而生的。它不是另一个云端SaaS工具，也不是需要注册、付费、等审核的黑盒服务。它是一套你可以完全掌控在自己设备上的本地化AI工作流：从原始语音输入，到精准文字还原，再到多语言要点提炼，全程离线、低延迟、可审计、零数据外泄。 这篇文章不讲抽象架构，不堆参数指标，只展示一个完整闭环的实际作品——用 ClawdBot + MoltBot 组合，把一段3分42秒的英文技术会议录音，自动转成中文摘要，并同步生成英文要点回顾。整个过程在一台普通笔记本上完成，无需GPU，不调用任何外部API，所有模型都在本地运行。 我们不演示“理论上能做”，而是带你走一遍真实操作路径：录音怎么进、Whisper怎么跑、摘要怎么生成、翻译怎么落地、结果怎么验证。每一步都有命令、