As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Verifique dos resultados da previsão
Há várias maneiras de verificar resultados das previsões do endpoint assíncrono. Algumas opções são:
1. Tópicos do Amazon SNS.
1. Verifique se há saídas em seu bucket do Amazon S3.
## Tópicos do Amazon SNS
O Amazon SNS é um serviço de notificação para aplicativos orientados a mensagens, em que vários assinantes solicitam e recebem notificações “push” de mensagens urgentes de uma variedade de protocolos de transporte, incluindo HTTP, Amazon SQS e e-mail. O Amazon SageMaker Asynchronous Inference publica notificações quando você cria um endpoint com e especifica um tópico do Amazon [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpointConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpointConfig.html)SNS.
**nota**
Para receber notificações do Amazon SNS, sua Função do IAM deve ter permissões `sns:Publish`. Consulte o [Concluir os pré-requisitos do .](async-inference-create-endpoint-prerequisites.md) para obter informações sobre os requisitos que você deve satisfazer para usar a inferência assíncrona.
Para usar o Amazon SNS para verificar os resultados de previsão do seu endpoint assíncrono, primeiro você precisa criar um tópico, assinar o tópico, confirmar sua assinatura no tópico e anotar o nome do recurso da Amazon (ARN) desse tópico. Para obter informações detalhadas sobre como criar, assinar e encontrar o Amazon ARN de um tópico do Amazon SNS, consulte [Configurando o Amazon SNS](https://docs.aws.amazon.com/sns/latest/dg/sns-configuring.html).
Forneça o(s) ARN(s) do tópico do Amazon SNS no campo `AsyncInferenceConfig` ao criar uma configuração de endpoint com `CreateEndpointConfig`. Você pode especificar um Amazon SNS `ErrorTopic` e um `SuccessTopic`.
```
import boto3
sagemaker_client = boto3.client('sagemaker', region_name=)
sagemaker_client.create_endpoint_config(
EndpointConfigName={{}}, # You specify this name in a CreateEndpoint request.
# List of ProductionVariant objects, one for each model that you want to host at this endpoint.
ProductionVariants=[
{
"VariantName": {{"variant1"}}, # The name of the production variant.
"ModelName": {{"model_name"}},
"InstanceType": {{"ml.m5.xlarge"}}, # Specify the compute instance type.
"InitialInstanceCount": {{1}} # Number of instances to launch initially.
}
],
AsyncInferenceConfig={
"OutputConfig": {
# Location to upload response outputs when no location is provided in the request.
"S3OutputPath": "s3://{{/}}"
"NotificationConfig": {
"SuccessTopic": "arn:aws:sns:{{aws-region:account-id:topic-name}}",
"ErrorTopic": "arn:aws:sns:{{aws-region:account-id:topic-name}}",
}
}
}
)
```
Depois de criar seu endpoint e invocá-lo, você recebe uma notificação do seu tópico do Amazon SNS. Por exemplo, se você se inscreveu para receber notificações por e-mail do seu tópico, receberá uma notificação por e-mail toda vez que invocar seu endpoint. O exemplo a seguir mostra o conteúdo JSON de uma notificação por e-mail de invocação bem-sucedida.
```
{
"awsRegion":"us-east-1",
"eventTime":"2022-01-25T22:46:00.608Z",
"receivedTime":"2022-01-25T22:46:00.455Z",
"invocationStatus":"Completed",
"requestParameters":{
"contentType":"text/csv",
"endpointName":"{{}}",
"inputLocation":"s3://{{}}/{{}}/input-data.csv"
},
"responseParameters":{
"contentType":"text/csv; charset=utf-8",
"outputLocation":"s3://{{}}/{{}}/prediction.out"
},
"inferenceId":"11111111-2222-3333-4444-555555555555",
"eventVersion":"1.0",
"eventSource":"aws:sagemaker",
"eventName":"InferenceResult"
}
```
## Verifique seu bucket S3
Quando você invoca um endpoint com `InvokeEndpointAsync`, ele retorna um objeto de resposta. Você pode usar o objeto de resposta para obter o URI do Amazon S3 em que sua saída foi armazenada. Com o local de saída, você pode usar uma classe de sessão de SageMaker IA do SageMaker Python SDK para verificar programaticamente uma saída.
O seguinte armazena o dicionário de saída de `InvokeEndpointAsync` como uma variável chamada resposta. Com a variável de resposta, você obtém o URI de saída do Amazon S3 e o armazena como uma variável de string chamada `output_location`.
```
import uuid
import boto3
sagemaker_runtime = boto3.client("sagemaker-runtime", region_name={{}})
# Specify the S3 URI of the input. Here, a single SVM sample
input_location = "s3://{{bucket-name/test_point_0.libsvm}}"
response = sagemaker_runtime.invoke_endpoint_async(
EndpointName={{''}},
InputLocation=input_location,
InferenceId=str(uuid.uuid4()),
ContentType={{"text/libsvm"}} #Specify the content type of your data
)
output_location = response['OutputLocation']
print(f"OutputLocation: {output_location}")
```
Para obter informações sobre os tipos de conteúdo compatíveis, consulte [Formatos de dados comuns para inferência](cdf-inference.md).
Com o local de saída do Amazon S3, você pode então usar uma [classe de sessão de SageMaker IA do SDK do SageMaker Python](https://sagemaker.readthedocs.io/en/stable/api/utility/session.html?highlight=session) para ler os arquivos do Amazon S3. O exemplo de código a seguir mostra como criar uma função (`get_ouput`) que tentativas repetidas de ler um arquivo do local de saída do Amazon S3:
```
import sagemaker
import urllib, time
from botocore.exceptions import ClientError
sagemaker_session = sagemaker.session.Session()
def get_output(output_location):
output_url = urllib.parse.urlparse(output_location)
bucket = output_url.netloc
key = output_url.path[1:]
while True:
try:
return sagemaker_session.read_s3_file(
bucket=output_url.netloc,
key_prefix=output_url.path[1:])
except ClientError as e:
if e.response['Error']['Code'] == 'NoSuchKey':
print("waiting for output...")
time.sleep(2)
continue
raise
output = get_output(output_location)
print(f"Output: {output}")
```