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.

Wie benutzt man KI SageMaker XGBoost

Mit SageMaker KI können Sie es XGBoost als integrierten Algorithmus oder Framework verwenden. XGBoost Als Framework haben Sie mehr Flexibilität und Zugriff auf komplexere Szenarien, da Sie Ihre eigenen Trainingsskripte anpassen können. In den folgenden Abschnitten wird die Verwendung XGBoost mit dem SageMaker Python-SDK und der Eingabe-/Ausgabeschnittstelle für den XGBoost Algorithmus beschrieben. Informationen zur Verwendung XGBoost von der Amazon SageMaker Studio Classic-Benutzeroberfläche aus finden Sie unterSageMaker JumpStart vortrainierte Modelle.

XGBoost Als Framework verwenden

Verwenden Sie es XGBoost als Framework, um Ihre benutzerdefinierten Schulungsskripte auszuführen, die zusätzliche Datenverarbeitung in Ihre Trainingsaufgaben integrieren können. Im folgenden Codebeispiel stellt das SageMaker Python-SDK die XGBoost API als Framework bereit. Dies funktioniert ähnlich wie SageMaker KI andere Frameworks wie APIs TensorFlow MXNet, und bereitstellt PyTorch.

import boto3
import sagemaker
from sagemaker.xgboost.estimator import XGBoost
from sagemaker.session import Session
from sagemaker.inputs import TrainingInput

# initialize hyperparameters
hyperparameters = {
        "max_depth":"5",
        "eta":"0.2",
        "gamma":"4",
        "min_child_weight":"6",
        "subsample":"0.7",
        "verbosity":"1",
        "objective":"reg:squarederror",
        "num_round":"50"}

# set an output path where the trained model will be saved
bucket = sagemaker.Session().default_bucket()
prefix = 'DEMO-xgboost-as-a-framework'
output_path = 's3://{}/{}/{}/output'.format(bucket, prefix, 'abalone-xgb-framework')

# construct a SageMaker AI XGBoost estimator
# specify the entry_point to your xgboost training script
estimator = XGBoost(entry_point = "your_xgboost_abalone_script.py", 
                    framework_version='1.7-1',
                    hyperparameters=hyperparameters,
                    role=sagemaker.get_execution_role(),
                    instance_count=1,
                    instance_type='ml.m5.2xlarge',
                    output_path=output_path)

# define the data type and paths to the training and validation datasets
content_type = "libsvm"
train_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'train'), content_type=content_type)
validation_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'validation'), content_type=content_type)

# execute the XGBoost training job
estimator.fit({'train': train_input, 'validation': validation_input})

Ein end-to-end Beispiel für die Verwendung von SageMaker KI XGBoost als Framework finden Sie unter Regression with Amazon SageMaker AI XGBoost.

XGBoost Als integrierten Algorithmus verwenden

Verwenden Sie den XGBoost integrierten Algorithmus, um einen XGBoost Trainingscontainer zu erstellen, wie im folgenden Codebeispiel gezeigt. Mithilfe der image_uris.retrieve AI-API können Sie den XGBoost integrierten SageMaker Bild-URI des Algorithmus automatisch erkennen. Wenn Sie Amazon SageMaker Python SDK Version 1 verwenden, verwenden Sie die get_image_uri API. Um sicherzustellen, dass die image_uris.retrieve API den richtigen URI findet, finden Sie unter Allgemeine Parameter für integrierte Algorithmen. Suchen Sie dann in xgboost der vollständigen Liste der integrierten Algorithmusbilder URIs und der verfügbaren Regionen nach.

Nachdem Sie die XGBoost Bild-URI angegeben haben, verwenden Sie den XGBoost Container, um mithilfe der SageMaker AI Estimator-API einen Schätzer zu erstellen und einen Trainingsjob zu starten. Dieser XGBoost integrierte Algorithmusmodus beinhaltet kein eigenes XGBoost Trainingsskript und wird direkt auf den Eingabedatensätzen ausgeführt.

import sagemaker
import boto3
from sagemaker import image_uris
from sagemaker.session import Session
from sagemaker.inputs import TrainingInput

# initialize hyperparameters
hyperparameters = {
        "max_depth":"5",
        "eta":"0.2",
        "gamma":"4",
        "min_child_weight":"6",
        "subsample":"0.7",
        "objective":"reg:squarederror",
        "num_round":"50"}

# set an output path where the trained model will be saved
bucket = sagemaker.Session().default_bucket()
prefix = 'DEMO-xgboost-as-a-built-in-algo'
output_path = 's3://{}/{}/{}/output'.format(bucket, prefix, 'abalone-xgb-built-in-algo')

# this line automatically looks for the XGBoost image URI and builds an XGBoost container.
# specify the repo_version depending on your preference.
xgboost_container = sagemaker.image_uris.retrieve("xgboost", region, "1.7-1")

# construct a SageMaker AI estimator that calls the xgboost-container
estimator = sagemaker.estimator.Estimator(image_uri=xgboost_container, 
                                          hyperparameters=hyperparameters,
                                          role=sagemaker.get_execution_role(),
                                          instance_count=1, 
                                          instance_type='ml.m5.2xlarge', 
                                          volume_size=5, # 5 GB 
                                          output_path=output_path)

# define the data type and paths to the training and validation datasets
content_type = "libsvm"
train_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'train'), content_type=content_type)
validation_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'validation'), content_type=content_type)

# execute the XGBoost training job
estimator.fit({'train': train_input, 'validation': validation_input})

Weitere Informationen dazu, wie Sie den XGBoost als integrierten Algorithmus einrichten, finden Sie in den folgenden Notebook-Beispielen.

Eingabe-/Ausgabeschnittstelle für den Algorithmus XGBoost

Gradient Boosting arbeitet mit tabellarischen Daten, wobei die Zeilen die Beobachtungen repräsentieren, eine Spalte die Zielvariable oder die Kennzeichnung darstellt und die verbleibenden Spalten die Funktionen.

Die SageMaker KI-Implementierung von XGBoost unterstützt die folgenden Datenformate für Training und Inferenz:

Für den CSV-Trainingseingabemodus muss der Gesamtspeicher, der dem Algorithmus zur Verfügung steht, in der Lage sein, den Trainingsdatensatz aufzunehmen. Der insgesamt verfügbare Speicher wird wie folgt berechnetInstance Count * the memory available in the InstanceType. Für den libsvm-Trainingseingabemodus ist dies nicht erforderlich, aber empfehlenswert.

Für Version 1.3-1 und höher XGBoost speichert SageMaker AI das Modell im XGBoost internen Binärformat unter Verwendung vonBooster.save_model. Frühere Versionen verwenden das Python-Pickle-Modul, um das Modell zu serialisieren/deserialisieren.