SageMaker 斯卡拉的 Spark 示例

亚马逊 SageMaker 提供了一个 Apache Spark 库 (SageMakerSpark)，你可以用它来将 Apache Spark 应用程序与之集成。 SageMaker本主题包含一些示例，可帮助您开始使用 Scala 使用 SageMaker Spark。有关 SageMaker Apache Spark 库的信息，请参见Apache Spark 搭载亚马逊 SageMaker。

下载 Spark for Scala

你可以从 Spark GitHub 存储库中下载 Python Spark (PySpark) 和 Scala 库的源代码和示例。SageMaker

有关安装 SageMaker Spark 库的详细说明，请参阅 SageMakerSpark。

SageMaker Spark SDK for Scala 已在 Maven 中央存储库中找到。通过向 pom.xml 文件添加以下依赖项，将 Spark 库添加到项目中：

如果您的项目是使用 Maven 构建的，请将以下内容添加到您的 pom.xml 文件中：


<dependency>
    <groupId>com.amazonaws</groupId>
    <artifactId>sagemaker-spark_2.11</artifactId>
    <version>spark_2.2.0-1.0</version>
</dependency>

如果你的项目依赖于 Spark 2.1，请将以下内容添加到你的 pom.xml 文件中：


<dependency>
    <groupId>com.amazonaws</groupId>
    <artifactId>sagemaker-spark_2.11</artifactId>
    <version>spark_2.1.1-1.0</version>
</dependency>

Scala 的火花示例

本节提供的示例代码使用提供的 Apache Spark Scala 库 SageMaker 来训练模型在 Spark SageMaker 集DataFrame群中使用 s。接下来是关于如何使用 Apache Spark 在亚马逊上使用自定义算法 SageMaker 进行模型训练和托管和的示例 SageMakerEstimator在 Spark 管道中使用。

以下示例使用 SageMaker 托管服务托管生成的模型工件。有关此示例的更多详细信息，请参阅入门：使用 SageMaker Spark 开启 K-Mean SageMaker s 聚类SDK具体而言，此示例执行以下操作：

对数据使用 KMeansSageMakerEstimator 调整 (或训练) 模型

由于该示例使用提供的 k-means 算法 SageMaker 来训练模型，因此您可以使用。KMeansSageMakerEstimator您可以使用手写的个位数的图像（来自MNIST数据集）来训练模型。您提供图像作为输入 DataFrame。为方便起见，请在 Amazon S3 存储桶中 SageMaker 提供此数据集。

作为响应，评估程序返回一个 SageMakerModel 对象。
使用经过训练的 SageMakerModel 获取推理

要从中托管的模型中获取推论 SageMaker，可以调用SageMakerModel.transform方法。您传递一个 DataFrame 作为输入。该方法将输入 DataFrame 转换为另一个包含从模型中获得的推理的 DataFrame。

对于手写体单个位数数字的给定输入图像，该推理标识图像所属的聚类。有关更多信息，请参阅 K-Means 算法。


import org.apache.spark.sql.SparkSession
import com.amazonaws.services.sagemaker.sparksdk.IAMRole
import com.amazonaws.services.sagemaker.sparksdk.algorithms
import com.amazonaws.services.sagemaker.sparksdk.algorithms.KMeansSageMakerEstimator

val spark = SparkSession.builder.getOrCreate

// load mnist data as a dataframe from libsvm
val region = "us-east-1"
val trainingData = spark.read.format("libsvm")
  .option("numFeatures", "784")
  .load(s"s3://sagemaker-sample-data-$region/spark/mnist/train/")
val testData = spark.read.format("libsvm")
  .option("numFeatures", "784")
  .load(s"s3://sagemaker-sample-data-$region/spark/mnist/test/")

val roleArn = "arn:aws:iam::account-id:role/rolename"

val estimator = new KMeansSageMakerEstimator(
  sagemakerRole = IAMRole(roleArn),
  trainingInstanceType = "ml.p2.xlarge",
  trainingInstanceCount = 1,
  endpointInstanceType = "ml.c4.xlarge",
  endpointInitialInstanceCount = 1)
  .setK(10).setFeatureDim(784)

// train
val model = estimator.fit(trainingData)

val transformedData = model.transform(testData)
transformedData.show

该示例代码执行以下操作：

将MNIST数据集从 SageMaker (awsai-sparksdk-dataset) 提供的 S3 存储桶加载到 Spark DataFrame (mnistTrainingDataFrame) 中：


// Get a Spark session.

val spark = SparkSession.builder.getOrCreate

// load mnist data as a dataframe from libsvm
val region = "us-east-1"
val trainingData = spark.read.format("libsvm")
  .option("numFeatures", "784")
  .load(s"s3://sagemaker-sample-data-$region/spark/mnist/train/")
val testData = spark.read.format("libsvm")
  .option("numFeatures", "784")
  .load(s"s3://sagemaker-sample-data-$region/spark/mnist/test/")

val roleArn = "arn:aws:iam::account-id:role/rolename"
trainingData.show()

show 方法显示数据帧中的前 20 行：


+-----+--------------------+
|label|            features|
+-----+--------------------+
|  5.0|(784,[152,153,154...|
|  0.0|(784,[127,128,129...|
|  4.0|(784,[160,161,162...|
|  1.0|(784,[158,159,160...|
|  9.0|(784,[208,209,210...|
|  2.0|(784,[155,156,157...|
|  1.0|(784,[124,125,126...|
|  3.0|(784,[151,152,153...|
|  1.0|(784,[152,153,154...|
|  4.0|(784,[134,135,161...|
|  3.0|(784,[123,124,125...|
|  5.0|(784,[216,217,218...|
|  3.0|(784,[143,144,145...|
|  6.0|(784,[72,73,74,99...|
|  1.0|(784,[151,152,153...|
|  7.0|(784,[211,212,213...|
|  2.0|(784,[151,152,153...|
|  8.0|(784,[159,160,161...|
|  6.0|(784,[100,101,102...|
|  9.0|(784,[209,210,211...|
+-----+--------------------+
only showing top 20 rows

在每行中：

label 列标识图像的标签。例如，如果手写数字的图像是数字 5，则标签值为 5。
features 列存储 org.apache.spark.ml.linalg.Vector 值的向量 (Double)。这是手写数字的 784 个特征。(每个手写数字都是一个 28x28 像素的图像，从而形成 784 个特征。)

创建 SageMaker 估算器 () KMeansSageMakerEstimator

该估计器的fit方法使用提供的 k 均值算法，使用输入 SageMaker 来训练模型。DataFrame作为响应，它会返回一个 SageMakerModel 对象，此对象可用于获取推理。

注意
扩展了 SageMakerSageMakerEstimator，它KMeansSageMakerEstimator扩展了 Apache Spark Estimator。
```
val estimator = new KMeansSageMakerEstimator(
  sagemakerRole = IAMRole(roleArn),
  trainingInstanceType = "ml.p2.xlarge",
  trainingInstanceCount = 1,
  endpointInstanceType = "ml.c4.xlarge",
  endpointInitialInstanceCount = 1)
  .setK(10).setFeatureDim(784)
```
构造函数参数提供了用于训练模型并将其部署到以下位置的信息 SageMaker：
- trainingInstanceType 和 trainingInstanceCount - 标识要用于模型训练的机器学习计算实例的类型和数量。
- endpointInstanceType— 标识托管模型时要使用的 ML 计算实例类型。 SageMaker默认情况下，采用一个机器学习计算实例。
- endpointInitialInstanceCount— 标识最初支持托管模型的终端节点的 ML 计算实例的数量。 SageMaker
- sagemakerRole— SageMaker 担任此IAM角色代表您执行任务。例如，对于模型训练，它从 S3 读取数据并将训练结果（模型构件）写入到 S3 中。
  
  注意
  此示例隐式创建了一个 SageMaker 客户端。要创建此客户端，您必须提供凭证。API使用这些凭证对发出的请求进行身份验证 SageMaker。例如，它使用凭证来验证创建训练作业的请求和使用 SageMaker 托管服务部署模型的API呼叫。
- 创建 KMeansSageMakerEstimator 对象后，您可以设置以下参数，以便用在模型训练中：
  - k-means 算法在模型训练过程中应创建的集群数量。您可以指定 10 个聚类，每个数字（0 到 9）一个。
  - 标识每个输入图像都有 784 个特征 (每个手写数字都是 28x28 像素的图像，从而形成 784 个特征)。
调用评估程序 fit 方法
```
// train
val model = estimator.fit(trainingData)
```
您将输入 DataFrame 作为一个参数传递。模型完成了训练模型并将其部署到其中的所有工作 SageMaker。有关更多信息，请参阅将你的 Apache Spark 应用程序与 SageMaker。作为响应，你会得到一个SageMakerModel对象，你可以用它从部署在中的模型中 SageMaker获得推论。

您只提供输入 DataFrame。您不需要指定用于模型训练的 k-means 算法的注册表路径，因为 KMeansSageMakerEstimator 知道它。

调用SageMakerModel.transform方法以从中部署的模型中获取推论。 SageMaker

transform 方法采用 DataFrame 作为输入，传输它，并返回另一个包含从模型获得的推理的 DataFrame。


val transformedData = model.transform(testData)
transformedData.show

为简单起见，我们使用在本例中用于模型训练的相同 DataFrame 作为 transform 方法的输入。transform 方法执行以下操作：

将输入DataFrame中的features列序列化为 protobuf 并将其发送到 SageMaker 端点进行推理。
将 protobuf 响应反序列化成转换的 distance_to_cluster 中的两个附加列 (closest_cluster 和 DataFrame)。

show 方法获取对输入 DataFrame 中前 20 行的推理：


+-----+--------------------+-------------------+---------------+
|label|            features|distance_to_cluster|closest_cluster|
+-----+--------------------+-------------------+---------------+
|  5.0|(784,[152,153,154...|  1767.897705078125|            4.0|
|  0.0|(784,[127,128,129...|  1392.157470703125|            5.0|
|  4.0|(784,[160,161,162...| 1671.5711669921875|            9.0|
|  1.0|(784,[158,159,160...| 1182.6082763671875|            6.0|
|  9.0|(784,[208,209,210...| 1390.4002685546875|            0.0|
|  2.0|(784,[155,156,157...|  1713.988037109375|            1.0|
|  1.0|(784,[124,125,126...| 1246.3016357421875|            2.0|
|  3.0|(784,[151,152,153...|  1753.229248046875|            4.0|
|  1.0|(784,[152,153,154...|  978.8394165039062|            2.0|
|  4.0|(784,[134,135,161...|  1623.176513671875|            3.0|
|  3.0|(784,[123,124,125...|  1533.863525390625|            4.0|
|  5.0|(784,[216,217,218...|  1469.357177734375|            6.0|
|  3.0|(784,[143,144,145...|  1736.765869140625|            4.0|
|  6.0|(784,[72,73,74,99...|   1473.69384765625|            8.0|
|  1.0|(784,[151,152,153...|    944.88720703125|            2.0|
|  7.0|(784,[211,212,213...| 1285.9071044921875|            3.0|
|  2.0|(784,[151,152,153...| 1635.0125732421875|            1.0|
|  8.0|(784,[159,160,161...| 1436.3162841796875|            6.0|
|  6.0|(784,[100,101,102...| 1499.7366943359375|            7.0|
|  9.0|(784,[209,210,211...| 1364.6319580078125|            6.0|
+-----+--------------------+-------------------+---------------+

您可以如下所示解释数据：

具有 label 5 的手写数字属于集群 4 (closest_cluster)。
具有 label 0 的手写数字属于集群 5。
具有 label 4 的手写数字属于集群 9。
具有 label 1 的手写数字属于集群 6。

主题

Javascript 在您的浏览器中被禁用或不可用。

要使用 Amazon Web Services 文档，必须启用 Javascript。请参阅浏览器的帮助页面以了解相关说明。

文档惯例

Apache Spark

使用 Apache Spark 在亚马逊上使用自定义算法 SageMaker 进行模型训练和托管

SageMaker 斯卡拉的 Spark 示例

注意

注意

主题