SageMakerEndpoint
Amazon SageMaker 是一个可以构建、训练和部署机器学习（ML）模型的系统，适用于任何用例，提供完全托管的基础设施、工具和工作流程。
本笔记本介绍了如何使用托管在 SageMaker endpoint 上的 LLM。
!pip3 install langchain boto3
设置
您需要设置以下 SagemakerEndpoint 调用的必要参数：
endpoint_name: 已部署的 Sagemaker 模型的端点名称。 必须在 AWS 区域内唯一。credentials_profile_name: ~/.aws/credentials 或 ~/.aws/config 文件中配置文件的名称，该文件中指定了访问密钥或角色信息。 如果未指定，将使用默认凭证配置文件，或者如果在 EC2 实例上，将使用 IMDS 中的凭证。 参见：https://boto3.amazonaws.com/v1/documentation/api/latest/guide/credentials.html
示例
from langchain_core.documents import Document
example_doc_1 = """
Peter 和 Elizabeth 乘出租车前往市区参加晚会。在派对上，Elizabeth 突然晕倒，被紧急送往医院。
由于她被诊断出脑部受伤，医生告诉 Peter 要陪在她身边，直到她康复。
因此，Peter 在医院陪伴她 3 天，没有离开。
"""
docs = [
Document(
page_content=example_doc_1,
)
]
使用外部 boto3 会话进行初始化的示例
跨账户场景
import json
from typing import Dict
import boto3
from langchain.chains.question_answering import load_qa_chain
from langchain_community.llms import SagemakerEndpoint
from langchain_community.llms.sagemaker_endpoint import LLMContentHandler
from langchain_core.prompts import PromptTemplate
query = """Elizabeth住院多久？
"""
prompt_template = """使用以下上下文来回答最后的问题。
{context}
问题: {question}
答案:"""
PROMPT = PromptTemplate(
template=prompt_template, input_variables=["context", "question"]
)
roleARN = "arn:aws:iam::123456789:role/cross-account-role"
sts_client = boto3.client("sts")
response = sts_client.assume_role(
RoleArn=roleARN, RoleSessionName="CrossAccountSession"
)
client = boto3.client(
"sagemaker-runtime",
region_name="us-west-2",
aws_access_key_id=response["Credentials"]["AccessKeyId"],
aws_secret_access_key=response["Credentials"]["SecretAccessKey"],
aws_session_token=response["Credentials"]["SessionToken"],
)
class ContentHandler(LLMContentHandler):
content_type = "application/json"
accepts = "application/json"
def transform_input(self, prompt: str, model_kwargs: Dict) -> bytes:
input_str = json.dumps({"inputs": prompt, "parameters": model_kwargs})
return input_str.encode("utf-8")
def transform_output(self, output: bytes) -> str:
response_json = json.loads(output.read().decode("utf-8"))
return response_json[0]["generated_text"]
content_handler = ContentHandler()
chain = load_qa_chain(
llm=SagemakerEndpoint(
endpoint_name="endpoint-name",
client=client,
model_kwargs={"temperature": 1e-10},
content_handler=content_handler,
),
prompt=PROMPT,
)
chain({"input_documents": docs, "question": query}, return_only_outputs=True)
import json
from typing import Dict
from langchain.chains.question_answering import load_qa_chain
from langchain_community.llms import SagemakerEndpoint
from langchain_community.llms.sagemaker_endpoint import LLMContentHandler
from langchain_core.prompts import PromptTemplate
query = """Elizabeth住院多久？
"""
prompt_template = """使用以下上下文来回答最后的问题。
{context}
问题: {question}
答案:"""
PROMPT = PromptTemplate(
template=prompt_template, input_variables=["context", "question"]
)
class ContentHandler(LLMContentHandler):
content_type = "application/json"
accepts = "application/json"
def transform_input(self, prompt: str, model_kwargs: Dict) -> bytes:
input_str = json.dumps({"inputs": prompt, "parameters": model_kwargs})
return input_str.encode("utf-8")
def transform_output(self, output: bytes) -> str:
response_json = json.loads(output.read().decode("utf-8"))
return response_json[0]["generated_text"]
content_handler = ContentHandler()
chain = load_qa_chain(
llm=SagemakerEndpoint(
endpoint_name="endpoint-name",
credentials_profile_name="credentials-profile-name",
region_name="us-west-2",
model_kwargs={"temperature": 1e-10},
content_handler=content_handler,
),
prompt=PROMPT,
)
chain({"input_documents": docs, "question": query}, return_only_outputs=True)