我一直在使用Amazon Sagemaker笔记本为NLP任务构建pytorch模型。 我知道您可以使用Sagemaker进行训练，部署，超参数调整和模型监视。
但是，您似乎必须创建一个推理端点才能监视模型的推理性能。
我已经有一个EC2实例设置，可以在我们的模型上执行推理任务，该模型当前在开发箱中，而不是使用端点制作
是否可以在不创建端点的情况下使用Sagemaker进行训练，运行超参数优化和评估模型。
答案 0 :(得分：0)
如果您不想保持推理端点正常运行，一种选择是使用SageMaker Processing运行一项作业，该作业将您训练有素的模型和测试数据集作为输入，执行推理并计算评估指标，然后将它们保存到S3在JSON文件中。
This Jupyter notebook example逐步执行（1）预处理训练和测试数据，（2）训练模型，然后（3）评估模型
答案 1 :(得分：0)
您可以使用两种方法在 AWS SageMaker 上部署模型：设置终端节点和创建批量转换作业。我想你可能可以尝试后者。
使用批量转换作业的好处是您可以为输入和输出数据指定 S3 存储桶路径。作业完成后，会直接上传输出到s3路径。