Sagemaker脚本模式部署报错：已实现model_fn仍提示需提供该实现

以下是几个关键排查点及修复方案：

1. 变量名拼写错误 #

你的笔记本代码中存在变量名不一致的问题：

# 定义的变量名为iestimator
iestimator = SKLearnModel(
    entry_point='inference.py',
    source_dir='/home/ec2-user/SageMaker/my_path/src/',
    model_data='s3://my_bucket/my_key/output/model.tar.gz',
    role=role,
    py_version='py3'
)

# 但调用部署时使用了未定义的estimator
predictor = estimator.deploy(...)

修复：将变量名统一为estimator：

estimator = SKLearnModel(
    entry_point='inference.py',
    source_dir='/home/ec2-user/SageMaker/my_path/src/',
    model_data='s3://my_bucket/my_key/output/model.tar.gz',
    role=role,
    py_version='py3'
)

predictor = estimator.deploy(...)

2. 导入路径与目录结构不匹配 #

你的目录结构中是utils文件夹，但inference.py中导入时写的是util：

# 错误的导入路径
from util.config import TRAINING_VARIABLE_HEADERS

而实际目录结构为：

src
 L utils
   L config.py

修复：修正导入路径为utils：

from utils.config import TRAINING_VARIABLE_HEADERS

这个导入错误会导致inference.py加载失败，SageMaker无法识别到你定义的model_fn，从而抛出错误。

3. 验证依赖模块的可导入性 #

确保modelling/models.py、modelling/vectorisers.py中的MyModel、MyVectoriser类能被正确导入，且无语法错误。可以在本地SageMaker notebook中运行以下代码测试：

import sys
sys.path.insert(0, '/home/ec2-user/SageMaker/my_path/src/')

from modelling.models import MyModel
from modelling.vectorisers import MyVectoriser
from utils.config import TRAINING_VARIABLE_HEADERS

如果运行报错，说明模块存在语法错误或依赖缺失，需先修复这些问题。

4. 确认model_fn的模型加载逻辑正常 #

你的model_fn实现本身符合要求，但要确保MyModel类的__init__方法能正确从model_dir加载模型文件，且无异常抛出。如果模型加载过程出错，会导致SageMaker无法正常初始化模型，进而误判为未实现model_fn。

内容的提问来源于stack exchange，提问作者Tom111989