Amazon SageMaker语义内容推荐系统S3存储适配v2报错求助

这个报错本质是SageMaker v1和v2版本的SDK设计差异导致的隐式变量依赖失效：

• SageMaker v1版本的官方配套教程中，该代码块的前序步骤会隐式生成并全局留存predictions（特征矩阵）、labels（标签数组）两个变量，同时v1的Notebook内核默认会长期保留跨单元格的变量上下文，因此不需要显式赋值即可直接调用。
• SageMaker v2版本做了两处破坏性调整导致该依赖失效：
  1. 内置算法、特征提取组件的返回值改为字典结构，不再默认将特征向量赋值给全局predictions变量，需要用户显式从返回结果中提取
  2. v2的SDK拆分了命名空间，同时SageMaker Studio新内核的上下文清理逻辑更严格，前序单元格生成的临时变量如果没有显式赋值留存，会被自动回收

你可以按照以下步骤依次排查修正：

1. 显式定义缺失的predictions和labels变量
   回到前序特征提取/推理的代码步骤，从返回结果中手动提取特征矩阵和标签数组，示例参考如下：

# 以下为v2版本特征提取结果的通用提取逻辑，可根据你实际使用的模型调整
# 假设你之前已经调用过推理接口拿到返回结果
inference_response = feature_extractor.predict(raw_training_data)
# 从返回字典中提取特征向量，赋值给predictions
predictions = inference_response["predictions"]
# 从你自己的训练数据集中提取标签列，转成numpy数组赋值给labels
labels = train_df["label_column"].values

2. 补全缺失的依赖导入
   你当前运行的代码未导入os和boto3依赖，需在代码开头补充导入：

import os
import boto3

3. 确认全局参数已定义
   提前声明BUCKET和PREFIX变量，可直接使用SageMaker默认桶：

import sagemaker
sagemaker_session = sagemaker.Session()
BUCKET = sagemaker_session.default_bucket()
PREFIX = "semantic-content-recommendation/knn-data"

内容的提问来源于stack exchange，提问作者sarah charles