问运行tensorflow软件包的AWS Lambda超过250 MB

EN

更新: AWS现在提供了集装箱部署支持，允许10 on的Lambda，这将使得在AWS上运行更大的工作负载成为可能，AWS 也增加了短暂性存储可以运行到10 on。

对于不属于容器部署的AWS部署包，仍然存在AWS Lambda 250 of的硬限制。此配额适用于上载的所有文件，包括层和自定义运行时。

使用AWS，您可以配置内存量和进程运行的时间。函数在执行过程中可用的内存量为128 MB至3 008 MB，增量为64 MB。AWS Lambda按照配置的内存量线性分配CPU功率。在1,792 MB，一个函数的等效于一个完整的vCPU (一个vCPU-每秒学分)。这意味着AWS Lambda不是为CPU密集型工作负载设计的。此外，AWS Lambda目前不支持GPU。AWS还有其他限制，比如并发作业的数量。有关限制的完整列表，请访问本页面。

您看过亚马逊SageMaker以获得ML端点吗？使用亚马逊SageMaker，您可以指定要对其进行训练的实例类型，也可以指定要对其进行推理的实例。有了亚马逊SageMaker，你就可以访问AWS无敌芯片和其他了。亚马逊SageMaker也有可用的这里的限制。

还可以部署推断管道。

在您的用例中，您可以，将模型部署到Amazon端点。当图像进入存储桶触发一个调用Amazon SageMaker端点的AWS函数时，获取结果并根据需要继续处理。注意，Lambda函数为15分钟的最大运行时间。您可以使用AWS阶跃函数调用Amazon端点，然后调用另一个Lambda函数。AWS步骤函数允许您将AWS函数与调用分离。降低Lambda的运行时成本，并允许长时间运行作业。为了进一步降低成本，您可以使用AWS Step函数Express Workflow。

关于如何构建、测试和部署使用亚马逊SageMaker的模型的更多信息。下面是做你想要的事的一个示例实现。此示例一旦文件被丢弃到桶中，就会触发AWS Lambda函数。AWS函数启动一个Step函数进程，调用Amazon。结果更新一个表并发送一封电子邮件。

这篇文章解释了如何使用Amazon部署经过训练的Keras或TensorFlow模型。