XGBoost Framework-Prozessor - Amazon SageMaker KI

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.

XGBoost Framework-Prozessor

XGBoost ist ein Open-Source-Framework für Machine Learning. Das XGBoostProcessor Python-SDK von Amazon SageMaker bietet Ihnen die Möglichkeit, Verarbeitungsaufträge mit XGBoost-Skripten auszuführen. Wenn Sie den XGBoostProcessor verwenden, können Sie einen von Amazon erstellten Docker-Container mit einer verwalteten XGBoost-Umgebung nutzen, sodass Sie keinen eigenen Container mitbringen müssen.

Das folgende Codebeispiel zeigt, wie Sie XGBoostProcessor verwenden können, um Ihren Processing-Job unter Verwendung eines von SageMaker AI bereitgestellten und gepflegten Docker-Images auszuführen. Beachten Sie, dass Sie bei der Ausführung des Jobs ein Verzeichnis mit Ihren Skripten und Abhängigkeiten im source_dir-Argument angeben können und dass Sie eine requirements.txt Datei in Ihrem source_dir-Verzeichnis haben können, die die Abhängigkeiten für Ihr(e) Verarbeitungsskript(e) spezifiziert. SageMaker Processing installiert die Abhängigkeiten für Sie im requirements.txt im Container.

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}'
        )
    ]
)

Wenn Sie eine requirements.txt Datei haben, sollte es sich um eine Liste von Bibliotheken handeln, die Sie im Container installieren möchten. Der Pfad für source_dir kann ein relativer, absoluter oder Amazon-S3-URI-Pfad sein. Wenn Sie jedoch einen Amazon-S3-URI verwenden, muss dieser auf eine Datei tar.gz verweisen. Sie können mehrere Skripte in dem Verzeichnis haben, das Sie für source_dir angeben. Weitere Informationen zu dieser XGBoostProcessor Klasse finden Sie unter XGBoost Schätzer im Amazon SageMaker Python SDK.