- 注册 AWS 账户
访问 AWS 官方网站，点击"免费注册"按钮，按照提示完成账户注册：
提供电子邮件地址、密码和电话号码。
验证身份（可能需要手机验证码）。
设置 billing 信息。
- 登录 AWS 管理控制台
使用注册的邮箱和密码登录 AWS 管理控制台。
- 配置 AWS CLI (可选但推荐)
为了方便后续操作，建议安装并配置 AWS CLI：
下载 AWS CLI：
在 Windows 上：访问 官方链接，运行安装程序。
在 macOS/Linux 上：使用以下命令安装：
BASH
pip install --user awscli配置 AWS CLI：
打开终端或命令提示符，运行：
BASH
aws configure按照提示输入你的 AWS Access Key ID、Secret Access Key 和默认区域（例如 us-east-1）。
- 创建 IAM 用户和角色
为了安全起见，建议创建一个 IAM 用户并为其分配必要的权限。
步骤 1：创建 IAM 用户
打开 AWS 管理控制台，导航到 IAM 服务。
在左侧菜单中选择 Users，点击"Add user"。
填写用户名称（例如 ml-pipeline-user），选择权限类型（直接访问资源）。
点击"Next: Permissions"，然后选择一个预定义策略或自定义策略：
推荐使用 AmazonSageMakerFullAccess 和 CloudWatchReadOnlyAccess 等策略。
完成创建后，记录下用户的 Access Key ID 和 Secret Access Key。
步骤 2：创建 IAM 角色
在 IAM 控制台中选择 Roles，点击"Create role"。
选择信任关系（例如 AWS Account Arn）。
添加所需的权限策略：
AmazonSageMakerFullAccess
CodePipelineFullAccess
CodeBuildFullAccess
StatesFullAccess
完成创建后，记录角色的 ARN。
- 创建必要的 AWS 资源
步骤 1：创建 S3 存储桶
打开 AWS 管理控制台，导航到 S3。
点击"Create bucket"，填写名称（例如 ml-pipeline-bucket）。
配置存储桶的区域和访问权限。
步骤 2：创建 ECR（Elastic Container Registry）仓库
打开 AWS 管理控制台，导航到 ECR。
在区域中选择一个位置（例如 us-east-1），点击"Create repository"，填写名称（例如 ml-model-repo）。
步骤 3：创建 IAM 角色并附加策略
返回 IAM 控制台，确保你已经创建了必要的角色。
确保角色已附加以下策略：
AmazonSageMakerFullAccess
CodePipelineFullAccess
CodeBuildFullAccess
StatesFullAccess
- 配置 CodePipeline
打开 AWS 管理控制台，导航到 CodePipeline。
点击"Start pipeline execution"或创建一个新的管道。
按照提示配置管道：
选择源（例如 S3 存储桶）。
配置构建阶段（使用 CodeBuild）。
配置部署阶段（例如 SageMaker）。
- 配置 CodeBuild
打开 AWS 管理控制台，导航到 CodeBuild。
点击"Create project"，填写项目名称和描述。
选择构建规范（Docker 或其他），配置构建命令：
BASH
# 示例 Dockerfile
FROM python:3.8-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["python", "main.py"]- 配置 SageMaker
打开 AWS 管理控制台，导航到 SageMaker。
创建一个 SageMaker 实例（例如 ml-pipeline-instance）。
配置模型部署（例如使用推理容器）。 - 配置 CloudWatch 监控
打开 AWS 管理控制台，导航到 CloudWatch。
创建日志组和日志流，监控管道的运行状态。 - 测试管道
提交代码到 S3 存储桶或直接触发 CodePipeline。
监控管道的运行状态，确保所有阶段（构建、部署）顺利完成。
更新之后
步骤 1: 设置 AWS CLI 环境
安装 AWS CLI：
下载并安装 AWS CLI。
配置 AWS CLI：
BASH
aws configure按提示输入你的 AWS 凭据和区域。
步骤 2: 创建新的 IAM 角色
a. 登录 AWS 管理控制台
打开 AWS 控制台。
使用你的注册邮箱和密码登录。
b. 创建新 IAM 角色
在导航栏中选择 IAM。
选择 Roles，然后点击 Create role。
选择以下信任策略：
AmazonSageMakerFullAccess
CodePipelineReadOnlyAccess
CodeBuildDeveloperAccess
完成创建角色。
c. 添加 IAM 策略
在新角色的权限部分，添加以下策略：
arn:aws:iam::aws:policy/AmazonSageMakerFullAccess
arn:aws:iam::aws:policy/CodePipelineReadOnlyAccess
arn:aws:iam::aws:policy/CodeBuildDeveloperAccess步骤 3: 更新服务 IAM 角色
a. 更新 CodePipeline
打开 CodePipeline。
选择你的管道，点击 Edit pipeline。
在 Execution role 部分，选择新创建的 IAM 角色。
保存更改。
b. 更新 StepFunctions 状态机
打开 Step Functions。
选择你的状态机，点击 Edit。
在 Execution IAM Role 中，选择新 IAM 角色。
保存并运行状态机。
c. 更新 CodeBuild 项目
打开 CodeBuild。
选择你的构建项目，点击 Edit build project。
在 Service role 部分，选择新 IAM 角色。
保存更改。
步骤 4: 测试管道
a. 提交代码到 CodeCommit
打开终端，克隆你的 CodeCommit 存储库：
BASH
git clone https://git-codecommit.<region>.amazonaws.com/v1/repos/<repository-name>修改 model/training_script.py 文件。
提交更改：
BASH
git add .
git commit -m "修复IAM角色问题"
git push origin mainb. 触发 CodePipeline
在 CodePipeline 中，选择你的管道并手动运行。
步骤 5: 监控和验证
a. 检查 CloudWatch 日志
打开 CloudWatch Logs。
查看 CodeBuild 和 StepFunctions 的日志，确保没有权限相关错误。
b. 验证 SageMaker 模型训练
在 SageMaker 中，检查模型训练作业是否成功启动并完成。
代码示例
a. IAM 策略文件（iam-policy.json）
JSON
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:*"
],
"Resource": "*"
},
{
"Effect": "Allow",
"Action": [
"codepipeline:CancelBuild",
"codepipeline:Get*",
"codepipeline:List*"
],
"Resource": "*"
},
{
"Effect": "Allow",
"Action": [
"codebuild:BatchGetProjects",
"codebuild:GetProject",
"codebuild:StartBuild"
],
"Resource": "*"
}
]
}b. 更新 CodePipeline 的 IAM 角色
BASH
aws codepipeline update-pipeline \
--name <pipeline-name> \
--configuration '{"executionRoleArn":"arn:aws:iam::<account-id>:role/<new-role-name>"}'注意事项
权限最小化：仅授予所需的最小权限。
日志监控：及时查看 CloudWatch 日志，排查问题。
测试环境：在非生产环境中进行测试，避免影响线上服务。