本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

如何使用 SageMaker XGBoost

透過 SageMaker，您可以使用 XGBoost作為內建演算法或架構。XGBoost 作為架構時，您可以擁有更多彈性並存取更進階的案例，因為您可以自訂自己的訓練指令碼。下列各節說明如何XGBoost搭配 SageMaker Python SDK和XGBoost演算法的輸入/輸出介面使用 。如需如何XGBoost從 Amazon SageMaker Studio Classic UI 使用 的資訊，請參閱 SageMaker JumpStart 預先訓練的模型。

使用 XGBoost作為架構

使用 XGBoost作為架構，來執行自訂訓練指令碼，將其他資料處理納入訓練任務。在下列程式碼範例中， SageMaker Python SDK提供 XGBoostAPI作為架構。此函數與 SageMaker 提供其他架構 的方式類似APIs，例如 MXNet、 TensorFlow和 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 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})

如需 end-to-end使用 SageMaker XGBoost 作為架構的範例，請參閱使用 Amazon 迴歸 SageMaker XGBoost。

使用 XGBoost作為內建演算法

使用XGBoost內建演算法來建置XGBoost訓練容器，如下列程式碼範例所示。您可以使用 URI 自動識別XGBoost內建演算法映像 SageMaker image_uris.retrieveAPI。如果使用 Amazon SageMaker Python SDK 第 1 版，請使用 get_image_uri API。若要確定 image_uris.retrieveAPI找到正確的 URI，請參閱內建演算法的常見參數 。然後從內建演算法映像URIs和可用區域xgboost的完整清單中進行查詢。

指定XGBoost影像 之後URI，請使用XGBoost容器，使用估算器建構 SageMaker 估算器API並啟動訓練任務。此XGBoost內建演算法模式不會整合您自己的XGBoost訓練指令碼，並直接在輸入資料集上執行。

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 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})

如需如何XGBoost將 設定為內建演算法的詳細資訊，請參閱下列筆記本範例。

XGBoost 演算法的輸入/輸出介面

梯度提升在表格式資料中操作，含有代表觀察的行、還有一個代表目標變數或標籤的欄，而剩下的欄則代表功能。

的 SageMaker 實作XGBoost支援下列資料格式以進行訓練和推論：

對於CSV訓練輸入模式，演算法可用的總記憶體必須能夠保留訓練資料集。可用的記憶體總數計算為 Instance Count * the memory available in the InstanceType。libsvm 訓練輸入模式並非必要，但建議使用。

對於 v1.3-1 和更新版本， SageMaker XGBoost 會使用 將模型儲存為XGBoost內部二進位格式Booster.save_model。之前的版本使用 Python 保存模組將模型序列化/取消序列化。