SageMaker CreateTransformJob报找不到DeepAR模型错误如何解决

• 核心问题是混淆了SageMaker训练作业和可调用模型实体的概念：训练作业完成后仅会在S3存储桶生成模型权重压缩包，不会自动在SageMaker推理模块注册可被批量转换、端点部署调用的模型资源。你从训练作业详情页复制的字符串只是训练作业的命名后缀，并非SageMaker模型列表中真实存在的模型名，接口按传入名称拼接资源ARN后自然查询不到对应模型。
• 潜在风险点：你代码中初始化boto3 SageMaker客户端时未显式指定区域，如果本地/运行环境默认区域和模型所在的eu-central-1不一致，也会触发跨区找不到资源的问题；另外你写的DEEPAR_INFERENCE_CONFIG环境变量存在JSON语法错误，双引号未转义，就算模型匹配成功也会报参数校验失败。

1. 先注册可供批量转换调用的SageMaker模型
   两种实现方式二选一即可：
   • 控制台操作：进入SageMaker控制台的「推理」-「模型」板块，点击创建模型，填写和训练作业一致的IAM执行角色，模型数据源选择本次训练作业输出到S3的model.tar.gz文件路径，算法镜像选择对应版本的DeepAR内置算法镜像，模型名称可直接使用你之前写的forecasting-deepar-2022-06-21-14-12-51-560，创建完成后回到模型列表确认该名称存在即可。
   • 代码操作：如果你是通过SageMaker Python SDK完成的训练，直接调用训练生成的estimator对象的create_model()方法，即可自动完成镜像、模型路径、角色的配置，完成模型注册。
2. 修正代码参数问题
   初始化boto3客户端时显式指定区域，避免跨区调用：

   import boto3
   boto3_sm = boto3.client('sagemaker', region_name='eu-central-1')
   

   修复环境变量的JSON转义错误：

   "Environment": {
       "DEEPAR_INFERENCE_CONFIG" : "{ \"num_samples\": 200, \"output_types\": [\"mean\"] }"
   }
   

3. 补全批量转换任务的输入参数
   你贴出的代码中省略了TransformInput配置块，注意要将该配置块中的ContentType设置为application/jsonlines，匹配DeepAR批量推理的输入格式要求，同时确认输入S3路径、输出S3路径填写正确。
4. 重新调用create_transform_job接口提交任务即可正常运行。

内容的提问来源于stack exchange，提问作者Samuel