这是「AWS 计算机视觉入门」系列第三部分，前两部分讲 ASL 数据集预处理和自定义 CNN 训练，这一篇把模型真正变成可用的应用。架构是静态站点放 S3 经 CloudFront 分发，手机拍的照片经 API Gateway 进 Lambda 做预处理，再送进 SageMaker Serverless 推理端点；端点由 ECR 里的容器镜像创建，大部分基础设施用 CloudFormation 描述以保证可复现。选 Serverless 端点的理由是访问稀疏、能容忍冷启动、可缩到 0，最大 6GB 内存对三个模型足够，作者整套跑下来成本不到 5 美元。流程从把 raw、filtered、edges 三个 keras 模型和 class_names.json 打成一个 tar 包上传 S3 开始。
🔑 核心要点
大部分教程止于训练和验证，这一步才把模型变成别人能用手机拍照测试的应用。
三个模型（原图、滤波、边缘）共用一个推理端点，由 inference.py 统一分发。
Serverless 端点按流量伸缩到 0，契合稀疏访问，也避免了挑实例类型和扩缩容策略。
CloudFormation 描述基础设施，使整套环境可重复搭建，而不是一堆手工点击。
💡 金句
“While most ML tutorials end with model training and validation, we will take things one step further and deploy our models in an app.” 译：大多数机器学习教程止于模型训练和验证，而我们要再往前走一步，把模型部署进一个应用里。