AWS 推出 v3 SDK 簡化 SageMaker 模型開發

核心重點

2024 年 AWS 重新設計了 SageMaker Python SDK（v3），以 單一統一的 ModelTrainer 取代過去的框架專屬 Estimator（如 SKLearn、PyTorch、XGBoost），同時提供 ModelBuilder 進行模型部署。最關鍵的 SourceCode 物件讓本機程式碼目錄在執行時自動同步至訓練或推論容器，免除重新建置 Docker 映像的繁瑣流程。

背景與技術演進

在 2021 年的「Bring your own model with Amazon SageMaker script mode」部落格中，AWS 首次引入 script mode：使用受管框架容器撰寫自訂訓練與推論程式碼，使用者不必自行維護 Docker 映像。v3 SDK 在此基礎上 從零重新設計，將工作流程進一步精簡：

| 變更項目 | 舊版 SDK | v3 SDK | |----------|----------|--------| | 訓練類別 | SKLearnEstimator、PyTorchEstimator…等多個類別 | ModelTrainer（單一入口） | | 部署類別 | 多種 FrameworkModel | ModelBuilder（統一介面） | | 程式碼注入方式 | 必須自行建構映像或使用 script mode 指定入口腳本 | SourceCode 物件自動同步本機 source_dir，支援 command（訓練）或 entry_script（推論） |

使用者只需在 Amazon Elastic Container Registry (ECR) 中提供一個容器映像（自建、AWS Deep Learning Container 或第三方），SDK 會在作業啟動時把本機程式碼注入容器，實現 「代碼不烘焙於映像」 的彈性開發模式。

實作範例：隨機森林模型的全流程

建立最小化的 scikit‑learn 容器
- Dockerfile 只安裝執行時與框架函式庫，未包含任何訓練程式碼。
- 建置後推送至 ECR，作為所有 scikit‑learn 模型的共用執行環境。
撰寫本機程式碼
- source_dir 內放置載入糖尿病資料集、訓練 隨機森林（Random Forest）分類器的 Python 檔案。
- 透過 SourceCode(source_dir=".", command="python train.py") 讓 SDK 在提交訓練作業時自動同步此目錄。

使用 ModelTrainer 訓練


trainer = ModelTrainer(

    image_uri=ECR_IMAGE,

    role=IAM_ROLE,

    instance_type="ml.m5.large",

    source_code=SourceCode(source_dir=".", command="python train.py")

)

trainer.fit()

ModelBuilder 部署即時端點


builder = ModelBuilder(

    image_uri=ECR_IMAGE,

    role=IAM_ROLE,

    source_code=SourceCode(source_dir=".", entry_script="inference.py")

)

endpoint = builder.deploy(initial_instance_count=1, instance_type="ml.m5.large")

整個流程只需 一次建置容器，之後每次修改訓練或推論程式碼皆不必重新打包映像，極大提升迭代速度。

未來展望與讀者啟示

v3 SDK 的 統一模型介面 與 即時程式碼同步，不僅降低了 DevOps 成本，也讓資料科學家能更專注於演算法本身。未來 AWS 可能會擴充 SourceCode 支援的語言與框架，甚至加入自動化測試與版本追蹤功能。對於希望在 雲端 AI 平台 快速驗證模型的企業而言，現在是把握 SageMaker v3 SDK 重新規劃開發流程的最佳時機。