AWS Lambda容器镜像运行报错，Runtime Interface Emulator测试正常

问题分析 #

1. GPU版本PyTorch导入失败：默认pip install torch torchvision安装的是带CUDA依赖的GPU版本，Lambda运行环境无NVIDIA硬件，导致加载CUDA相关动态库时抛出libcufft.so.10映射错误。
2. CPU版本执行超时：直接安装CPU版PyTorch后超时，核心原因是PyTorch初始化耗时较长，加上镜像体积大导致冷启动慢，超出Lambda默认超时阈值。

解决方案 #

1. 构建优化的CPU-only PyTorch镜像 #

修改Dockerfile，安装轻量CPU版本的PyTorch，并清理冗余文件减小镜像体积：

FROM public.ecr.aws/lambda/python:3.8

# 安装编译依赖后立即清理yum缓存
RUN yum install -y gcc-c++ python3-devel && \
    yum clean all && \
    rm -rf /var/cache/yum

# 安装指定版本的CPU-only PyTorch，同时清理pip缓存
RUN pip install torch==2.0.1+cpu torchvision==0.15.2+cpu --index-url https://download.pytorch.org/whl/cpu && \
    pip cache purge

# 复制函数代码
COPY app.py ${LAMBDA_TASK_ROOT}

CMD [ "app.handler" ]

2. 优化Lambda函数配置与代码 #

• 调整超时时间：在Lambda控制台将函数超时从默认3秒调整为60秒以上（比如120秒），给PyTorch足够的初始化时间。
• 提前导入依赖：将PyTorch的导入移到模块级别，让依赖在容器启动时预加载，减少每次调用的初始化耗时：

# app.py
import torch
import torchvision

def handler(event, context):
    print("INSIDE THE HANDLER")
    print("PYTORCH WORKING")
    print("VISION ALSO WORKING")
    return 'Execution completed'

3. 额外优化建议 #

• 使用Lambda层（可选）：将PyTorch打包成Lambda层，与业务代码分离，后续更新代码无需重新构建整个镜像，加快部署速度。
• 升级基础镜像版本：如果Python3.8不是硬性要求，可尝试public.ecr.aws/lambda/python:3.10等新版本镜像，PyTorch对新版本Python的初始化优化更好。

验证步骤 #

1. 重新构建并推送镜像到ECR：

docker build -t shukhapriya .
aws ecr get-login-password --region <你的区域> | docker login --username AWS --password-stdin <你的ECR仓库地址>
docker tag shukhapriya:latest <你的ECR仓库地址>:latest
docker push <你的ECR仓库地址>:latest

2. 在Lambda控制台更新函数的镜像版本，测试执行。

内容的提问来源于stack exchange，提问作者Hrushi