Amazon SageMaker部署本地Scikit-Learn模型提示无法提取模型归档如何排查
SageMaker部署Scikit-Learn模型时“无法解压归档”问题排查指南
常见报错诱因
- Windows本地tar打包格式兼容性问题
Windows内置tar工具生成的归档常存在结构不兼容问题:打包时会附加Windows专属路径元数据,甚至混入系统隐藏文件,这类结构不符合SageMaker容器内置Linux解压器的识别标准,是该报错的最高发诱因。
本地校验命令:tar -tzf model.tar.gz
正常输出应仅列出model.joblib条目,无多余前缀(如./、盘符路径)、无乱码、无其他隐藏文件。 - S3对象完整性异常
即使可在S3控制台看到文件,也可能存在上传截断、对象损坏的问题:
计算本地model.tar.gz的MD5值,和S3对象属性页中的Etag值做对比,确认文件上传完整;同时确认存储桶所在区域和boto3客户端配置的eu-central-1一致,避免跨区域访问拉取到空对象。 - 归档嵌套结构不符合规范
SageMaker的Scikit-Learn容器要求压缩包内文件不能嵌套在多级文件夹中,解压后必须能直接在容器工作目录定位到模型文件;如果打包时在上级目录执行命令,会导致归档内出现类似models/model.joblib的嵌套结构,触发解包失败。
落地解决步骤
- 打开PowerShell,直接导航到
model.joblib文件所在的文件夹 - 执行打包命令生成合规压缩包:
tar -czf model.tar.gz model.joblib - 立刻执行校验命令确认归档结构合规,仅包含单条
model.joblib条目 - 用原有boto3脚本将新生成的压缩包覆盖上传到S3的
models/model.tar.gz路径 - 重新运行SKLearnModel部署代码发起端点创建
注意:不要使用Windows下的图形化压缩工具(如WinRAR、7-Zip)生成tar.gz包,这类工具默认会附加额外的目录结构和元数据,大概率会触发相同的解包报错。
内容的提问来源于stack exchange,提问作者Bas
相关产品推荐
相关产品推荐

