Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Aggiorna la versione 0.90 di XGBoost alla versione 1.5
Se si utilizza SageMaker Python SDK, per aggiornare i job XGBoost 0.90 esistenti alla versione 1.5, è necessario che sia installata la versione 2.x dell'SDK e modificare XGBoost e i parametri su 1.5-1. version
framework_version
Se utilizzi Boto3, è necessario aggiornare l'immagine Docker e alcuni iperparametri e obiettivi di apprendimento.
Argomenti
Aggiorna SageMaker Python SDK dalla versione 1.x alla versione 2.x
Se stai ancora utilizzando la versione 1.x di SageMaker Python SDK, devi aggiornare la versione 2.x di SageMaker Python SDK. Per informazioni sulla versione più recente di SageMaker Python SDK, consulta Utilizzare la versione 2.x di
python -m pip install --upgrade sagemaker
Cambia il tag dell'immagine in 1.5-1
Se utilizzi SageMaker Python SDK e utilizzi l'algoritmo integrato XGBoost, modifica il parametro della versione in. image_uris.retrive
from sagemaker import image_uris image_uris.retrieve(framework="xgboost", region="us-west-2", version="1.5-1") 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)
Se utilizzi SageMaker Python SDK e usi XGBoost come framework per eseguire i tuoi script di formazione personalizzati, modifica il framework_version
parametro nell'API XGBoost.
estimator = XGBoost(entry_point = "your_xgboost_abalone_script.py", framework_version='1.5-1', hyperparameters=hyperparameters, role=sagemaker.get_execution_role(), instance_count=1, instance_type='ml.m5.2xlarge', output_path=output_path)
sagemaker.session.s3_input
in SageMaker Python SDK la versione 1.x è stata rinominata in. sagemaker.inputs.TrainingInput
Devi usare sagemaker.inputs.TrainingInput
come mostrato nell'esempio seguente.
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)
Per l'elenco completo delle modifiche alla versione 2.x di SageMaker Python SDK, consulta Utilizzare la versione 2.x di
Cambia l'immagine Docker per Boto3
Se utilizzi Boto3 per addestrare o distribuire il tuo modello, modifica il tag dell'immagine docker (1, 0.72, 0.90-1 o 0.90-2) in 1.5-1.
{ "AlgorithmSpecification":: { "TrainingImage": "746614075791.dkr.ecr.us-west-1.amazonaws.com/sagemaker-xgboost:1.5-1" } ... }
Se usi SageMaker Python SDK per recuperare il percorso del registro, modifica il parametro in. version
image_uris.retrieve
from sagemaker import image_uris image_uris.retrieve(framework="xgboost", region="us-west-2", version="1.5-1")
Aggiorna gli iperparametri e gli obiettivi di apprendimento
Il parametro silent è diventato obsoleto e non è più disponibile in XGBoost 1.5 e versioni successive. Usare invece verbosity
. Se stavi utilizzando l'obiettivo di apprendimento reg:linear
, anche questo è diventato obsoleto a favore di reg:squarederror
. Usare invece reg:squarederror
.
hyperparameters = { "verbosity": "2", "objective": "reg:squarederror", "num_round": "50", ... } estimator = sagemaker.estimator.Estimator(image_uri=xgboost_container, hyperparameters=hyperparameters, ...)