Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
XGBoost Framework-Prozessor
XGBoost ist ein Open-Source-Framework für Machine Learning. Das XGBoostProcessor
im Amazon SageMaker Python SDK bietet Ihnen die Möglichkeit, Verarbeitungsaufträge mit XGBoost-Skripten auszuführen. Wenn Sie die XG- verwendenBoostProcessor, können Sie einen von Amazon erstellten Docker-Container mit einer verwalteten XGBoost-Umgebung nutzen, sodass Sie keinen eigenen Container mitbringen müssen.
Das folgende Codebeispiel zeigt, wie Sie die verwenden könnenXGBoostProcessor
, um Ihren Verarbeitungsauftrag mit einem von bereitgestellten und verwalteten Docker-Image auszuführen SageMaker. Beachten Sie, dass Sie beim Ausführen des Auftrags ein Verzeichnis angeben können, das Ihre Skripts und Abhängigkeiten im source_dir
-Argument enthält, und dass sich eine requirements.txt
Datei in Ihrem source_dir
Verzeichnis befinden kann, die die Abhängigkeiten für Ihr/Ihre Verarbeitungsskript(e) angibt. SageMaker Bei der Verarbeitung werden die Abhängigkeiten in requirements.txt
im Container für Sie installiert.
from sagemaker.xgboost import XGBoostProcessor from sagemaker.processing import ProcessingInput, ProcessingOutput from sagemaker import get_execution_role #Initialize the XGBoostProcessor xgb = XGBoostProcessor( framework_version='1.2-2', role=get_execution_role(), instance_type='ml.m5.xlarge', instance_count=1, base_job_name='frameworkprocessor-XGB', ) #Run the processing job xgb.run( code='
processing-script.py
', source_dir='scripts
', inputs=[ ProcessingInput( input_name='data', source=f's3://{BUCKET}/{S3_INPUT_PATH}
', destination='/opt/ml/processing/input/data' ) ], outputs=[ ProcessingOutput( output_name='processed_data', source='/opt/ml/processing/output/', destination=f's3://{BUCKET}/{S3_OUTPUT_PATH}
' ) ] )
Wenn Sie eine requirements.txt
Datei haben, sollte es sich um eine Liste von Bibliotheken handeln, die Sie im Container installieren möchten. Der Pfad für source_dir
kann ein relativer, absoluter oder Amazon >SS3-URI-Pfad sein. Wenn Sie jedoch einen Amazon S3-URI verwenden, muss dieser auf eine Datei tar.gz verweisen. Sie können mehrere Skripte in dem Verzeichnis haben, das Sie für source_dir
angeben. Weitere Informationen zur XGBoostProcessor
Klasse finden Sie unter XGBoost Estimator