亚马逊的sagemaker 提供了模型训练到部署的全流程支持，下面这个例子是其参考手册的入门例子，记录一下整体流程，具体代码操作可以查看其手册。
1 创建Amazon账号，建立IAM 用户（identify and access management）
2 建立 S3 bucket （Amazon simple storage service ） 用于存放训练数据和调优后的模型代码/模型工件（model artifact）
3建立sagemaker notebook 实例
4训练模型（可以选用amazon内置的模型也可以上传自己的深度学习模型，入门例程仅适用内置模型，内置模型也有两种操作模型，一种是使用high-level的内置python library，一种是使用AWS SDK，前一种非常方便，后一种虽然复杂，但对于了解整个配置过程有帮助，按后一种讲解）
4.1 建立jupyter notebook，选择conda python3，定义角色role和相应的bucket
4.2下载、整理、转换训练数据，并上传到s3中
4.2.1给出下载地址url，解压到训练、验证和测试三部分；
4.2.2整理清洗数据；
4.2.3将数据转换类型，从numpy.array转换为 RecordIO protobuf格式，并上传到S3中的指定位置
4.3 训练模型算法
4.3.1选择合适的算法
4.3.2创建一个训练任务
指定训练代码的docker image； 指定超参数；指定输入输出的位置（S3）
sagemaker=boto3.client('sagemaker')
sagemaker.create_training_job(**create_training_params)
try:
sagemaker.get_waiter('training_job_completed_or_stopped').wait(TrainingJobName=job_name)
finally:
status=sagemaker.describe_training_job(TrainingJobName=job_name)
4.4 部署模型
在sagemaker上创建模型（提供模型算法存放位置，推理程序所在镜像路径）、配置endpoint（硬件资源）、创建endpoint，应用程序向endpoint发送请求来得到推理结果。
sagemaker.create_model
sagemaker.create_endpoint_config
sagemaker.create_endpoint
try:
sagemaker.get_waiter('endpoint_in_service').wait(EndpointName=endpoint_name)
finally:
4.5 验证模型
转换数据，向endpoint发送请求
runtime=boto3.Session().client('sagemaker-runtime')
response=runtime.invoke_endpoint
4.6 整合sagemaker的endpoint到应用中
创建能够使用AWS lambda服务的IAM账号，其能够调用sagemaker的invokeendpoint API
创立能够使用invokeendpoint API的lambda function
从mobile application中调用lambda function