要初始化1000多个模型的AWS Sagemaker "endpoints"，可以使用循环来自动化这个过程。下面是一个示例代码，它使用Python的boto3库来初始化多个模型的endpoints：

import boto3

sagemaker_client = boto3.client('sagemaker')

# 假设模型名称存储在一个名为model_names的列表中
model_names = ['model1', 'model2', 'model3', ...]

for model_name in model_names:
    # 创建模型
    create_model_response = sagemaker_client.create_model(
        ModelName=model_name,
        PrimaryContainer={
            'Image': 'your-docker-image',
            'ModelDataUrl': 's3://your-bucket/model-data/model.tar.gz'
        },
        ExecutionRoleArn='your-execution-role-arn'
    )
    
    # 创建endpoint配置
    create_endpoint_config_response = sagemaker_client.create_endpoint_config(
        EndpointConfigName=model_name + '-config',
        ProductionVariants=[
            {
                'VariantName': 'AllTraffic',
                'ModelName': model_name,
                'InitialInstanceCount': 1,
                'InstanceType': 'ml.m5.large'
            }
        ]
    )
    
    # 创建endpoint
    create_endpoint_response = sagemaker_client.create_endpoint(
        EndpointName=model_name + '-endpoint',
        EndpointConfigName=model_name + '-config'
    )

在上述代码中，我们假设模型名称存储在一个名为model_names的列表中。然后，我们使用循环遍历模型名称列表，并使用Sagemaker客户端的create_model、create_endpoint_config和create_endpoint方法来创建模型、端点配置和端点。

请确保替换示例代码中的以下信息以适应您的环境：

• 'your-docker-image'：Docker映像的名称
• 's3://your-bucket/model-data/model.tar.gz'：模型数据的S3存储位置
• 'your-execution-role-arn'：具有适当权限的执行角色ARN

请注意，初始化1000多个模型的endpoints可能需要一些时间，具体取决于模型的大小和数量。您可以根据需要进行调整，例如增加实例数量或使用更强大的实例类型来提高性能。