当 DeepAR 遇上序列化陷阱：一个极易踩坑的 400 错误

在 SageMaker 上部署 DeepAR 模型做预测时，不少开发者会遇到一个诡异的 400 错误，提示“Unable to evaluate payload provided”。

问题根源多数出在序列化器（Serializer）和输入数据格式不匹配。

更具体地说，这类问题通常源于重复序列化。

你手动用 json.dumps() 把数据转成了字符串，又给 predictor 配了 JSONSerializer()。但 JSONSerializer() 本来是给 Python 字典或列表使用的，这时它会再次对字符串调用 json.dumps()。

最终发出去的请求体，会变成一个被双引号包裹的字符串，比如 "{...}"。DeepAR 端点无法正确解析，于是直接返回 400 错误。

典型错误写法

看这段常见的错误代码，就能快速理解问题所在：

predictor = estimator.deploy(  
    initial_instance_count=1,  
    instance_type='ml.m5.large',     
    serializer=JSONSerializer(),  #  冲突根源  
    deserializer=JSONDeserializer())  
json_request = json.dumps({ ... })  #  已是字符串格式  
prediction = predictor.predict(json_request)  #  predict() 会再次序列化该字符串 → 变成 '""{...}""'

JSONSerializer 的本来意图，是接收 Python 原生字典或列表，并在内部自动调用 json.dumps() 后发送给端点。

但如果你已经手动完成了序列化，它就会对这个字符串再做一次序列化，导致 payload 结构彻底变形。

解决思路

解决方式只有两种，任选其一即可。

• 移除 Serializer，直接传字典
• 保留 Serializer，但传入原始字典

方案一：移除 Serializer，直接传字典（推荐）

把序列化工作完全交给 SageMaker 处理，自己不要手动调用 json.dumps()。

部署时不指定 serializer，默认行为就是正确的：

# 部署时不指定 serializer/deserializer（默认即 JSON）  
predictor = estimator.deploy(  
    initial_instance_count=1,  
    instance_type='ml.m5.large',  
    # serializer 和 deserializer 可省略，默认行为即正确  
)  
# 构造原生 Python 字典（非字符串！）  
payload = {  
    "instances": [  
        {  
            "start": "2024-03-01",  
            "target": [60,10,86,62,21,25,7,79,33,82,34,43,14,99,5,37,85,84,88,25,2,14,15,98,14,75,70,99,12]  
        },  
        {  
            "start": "2024-04-01",  
            "target": [55,89,40,81,87,7,49,77,37,42,48,27,89,45,85]  
        }  
    ],  
    "configuration": {  
        "num_samples": 15,  
        "output_types": ["quantiles", "samples"],  
        "quantiles": ["0.2", "0.5", "0.8"]  
    }  
}  
# 直接传入字典，predict() 内部自动序列化  
prediction = predictor.predict(payload)

这种方式最稳妥，也最不容易出错。

方案二：保留 Serializer，但传入原始字典

如果你需要显式指定 JSONSerializer，那就必须保证输入是未序列化的 Python 对象。

也就是说，传入的应该是字典或列表，而不是字符串：

from sagemaker.serializers import JSONSerializer  
from sagemaker.deserializers import JSONDeserializer  

predictor = estimator.deploy(  
    initial_instance_count=1,  
    instance_type='ml.m5.large',  
    serializer=JSONSerializer(),      #  仅当输入为 dict/list 时有效  
    deserializer=JSONDeserializer()  
)  
# payload 是 dict，不是 str  
payload = { ... }  # 同上构造方式  
prediction = predictor.predict(payload)  #  predict() 调用 serializer.dumps()

几个容易忽略的细节

• 绝对不要对已经 json.dumps() 的字符串再配 JSONSerializer，这是绝大多数 400 错误的根源。
• start 字段必须符合 ISO 8601 格式，比如 "2024-03-01" 或 "2024-03-01T00:00:00"，并且要和模型训练时所用的频率（比如 D 表示日频）对齐。
• target 的长度必须 ≥ prediction_length（训练时设定的预测步长），否则可能引发隐式错误。
• 如果模型训练时用了 cat 或 dynamic_feat，推理时必须提供对应字段，否则会报 InvalidInputException。
• 生产环境建议加上异常捕获，区分 ModelError（数据格式问题）和 ClientError（权限或资源问题）。

结论

DeepAR 的 400 错误，本质上是 payload 结构失配。

核心原则只有一条：序列化责任唯一。

• 要么交给 SageMaker 处理：传字典 + 默认或显式 JSONSerializer
• 要么完全手动控制：传字符串 + 不配 Serializer

混着用，就是给自己挖坑。