06. 部署一个 Lambda 函数




通常，Lambda函数是“服务功能”。它允许您执行操作以响应某些事件，称为触发器Trigger。从本质上讲，您可以定义一个事件，当这些事件发生时，您的代码就会被执行。

例如，您可以设置一个触发器，以便每当将数据上载到特定的S3存储桶时，就会执行Lambda函数来处理该数据并将其插入到某个数据库中。

Lambda函数的一大优势是，由于Lambda函数中可包含的代码量相对较小，因此只需按执行次数收费。

在我们的例子中，我们创建的Lambda函数旨在处理用户输入并与我们部署的模型进行交互。此外，我们将使用的触发器是我们将使用API​​网关创建的终端。

  • 设置Lambda函数

我们要做的第一件事是设置Lambda函数。只要我们的公共API发送了数据，就会执行此Lambda函数。执行时，它将接收数据，执行所需的任何类型的处理，将数据（审查）发送到我们创建的SageMaker端点，然后返回结果。

  • 为Lambda函数创建IAM role

由于我们希望Lambda函数调用SageMaker端点，因此我们需要确保它具有执行此操作的权限。为此，我们将构建一个我们以后可以提供Lambda函数的 role。

* 使用AWS Console，导航到IAM页面并单击Roles。然后，单击“Create role”。

* 确保AWS服务是所选受信任实体的类型，并选择Lambda作为将使用此角色的服务，然后单击“Next: Permissions”。

* 在搜索框中键入Sagemaker，然后选中AmazonSageMakerFullAccess策略旁边的复选框。然后，单击“Next：Review”。

* 最后，命名Role。确保使用稍后会记住的名称，例如LambdaSageMakerRole。然后，单击“创建角色”。
  • 创建Lambda函数

现在是时候实际创建Lambda函数了。请记住，为了处理用户提供的输入并将其发送到我们的端点，我们需要收集两条信息：

  1. 终端的名称
  2. volcabulary

步骤：

  • 首先，使用AWS控制台导航到AWS Lambda页面，然后单击“Create a Function"。
  • 当您转到下一页时，请确保选择了"Author from Scratch"。
  • 现在，命名你的Lambda函数并记住，例如sentiment_analysis_xgboost_func。确保选择了Python 3.6 runtime，然后选择您在上一部分中创建的role。然后，单击“Create Function”。
  • 在下一页，您将看到有关您刚刚创建的Lambda函数的一些信息。如果向下滚动，您应该看到一个编辑器，您可以在其中编写将在您的Lambda函数被触发时执行的代码…您应该复制并黏贴下面的代码。
# We need to use the low-level library to interact with SageMaker since the SageMaker API
# is not available natively through Lambda.
import boto3

# And we need the regular expression library to do some of the data processing
import re

REPLACE_NO_SPACE = re.compile("(\.)|(\;)|(\:)|(\!)|(\')|(\?)|(\,)|(\")|(\()|(\))|(\[)|(\])")
REPLACE_WITH_SPACE = re.compile("(<br\s*/><br\s*/>)|(\-)|(\/)")

def review_to_words(review):
    words = REPLACE_NO_SPACE.sub("", review.lower())
    words = REPLACE_WITH_SPACE.sub(" ", words)
    return words

def bow_encoding(words, vocabulary):
    bow = [0] * len(vocabulary) # Start by setting the count for each word in the vocabulary to zero.
    for word in words.split():  # For each word in the string
        if word in vocabulary:  # If the word is one that occurs in the vocabulary, increase its count.
            bow[vocabulary[word]] += 1
    return bow


def lambda_handler(event, context):

    vocab = "*** ACTUAL VOCABULARY GOES HERE ***"

    words = review_to_words(event['body'])
    bow = bow_encoding(words, vocab)

    # The SageMaker runtime is what allows us to invoke the endpoint that we've created.
    runtime = boto3.Session().client('sagemaker-runtime')

    # Now we use the SageMaker runtime to invoke our endpoint, sending the review we were given
    response = runtime.invoke_endpoint(EndpointName = '***ENDPOINT NAME HERE***',# The name of the endpoint we created
                                       ContentType = 'text/csv',                 # The data format that is expected
                                       Body = ','.join([str(val) for val in bow]).encode('utf-8')) # The actual review

    # The response is an HTTP response whose body contains the result of our inference
    result = response['Body'].read().decode('utf-8')

    # Round the result so that our web app only gets '1' or '0' as a response.
    result = round(float(result))

    return {
        'statusCode' : 200,
        'headers' : { 'Content-Type' : 'text/plain', 'Access-Control-Allow-Origin' : '*' },
        'body' : str(result)
    }
  • 将上面的代码复制并粘贴到Lambda代码编辑器后，将** ENDPOINT NAME HERE **部分替换为我们之前部署的终端的名称。

  • 您还需要将volcabulary复制到 lambda_handler 方法开头的代码中的适当位置。

  • 将端点名称添加到Lambda函数后，单击“保存”。您的Lambda功能现已启动并运行！

Next Concept