XGBoost 프레임워크 프로세서

XGBoost 는 오픈 소스 기계 학습 프레임워크입니다. Amazon SageMaker PythonXGBoostProcessor의 XGBoost 는 스크립트로 처리 작업을 실행할 수 있는 기능을 SDK 제공합니다. 를 사용하면 관리형 XGBoost 환경이 있는 Amazon 빌드 Docker 컨테이너를 XGBoostProcessor활용하여 자체 컨테이너를 가져올 필요가 없습니다.

다음 코드 예제는 XGBoostProcessor에서 제공하고 유지 관리하는 Docker 이미지를 사용하여 처리 작업을 실행하는 방법을 보여줍니다 SageMaker. 작업을 실행할 때 source_dir 인수에 스크립트와 종속 항목이 포함된 디렉터리를 지정할 수 있으며, 디렉터리 내에 처리 스크립트(들)의 종속성을 source_dir 지정하는 requirements.txt 파일이 있을 수 있습니다. SageMaker 처리는 의 종속성을 컨테이너requirements.txt에 설치합니다.

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}'
        )
    ]
)

requirements.txt 파일이 있는 경우, 컨테이너에 설치하려는 라이브러리 목록이어야 합니다. 의 경로는 상대, 절대 또는 Amazon S3 URI 경로일 source_dir 수 있습니다. 그러나 Amazon S3 를 사용하는 경우 tar.gz 파일을 가리URI켜야 합니다. source_dir에 대해 지정한 디렉터리에 스크립트가 여러 개 있을 수 있습니다. XGBoostProcessor 클래스에 대한 자세한 내용은 Amazon SageMaker PythonSDK의 XGBoost 추정기를 참조하세요.