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。

# 訓練模型
<a name="ex1-train-model"></a>

在此步驟中，您可以選擇訓練演算法並執行模型的訓練任務。[Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) 提供架構估算器和一般估算器來訓練模型，同時協調機器學習 (ML) 生命週期，存取 SageMaker AI 功能以進行訓練和 AWS 基礎設施，例如 Amazon Elastic Container Registry (Amazon ECR)、Amazon Elastic Compute Cloud (Amazon EC2)、Amazon Simple Storage Service (Amazon S3)。如需 SageMaker AI 內建架構估算器的詳細資訊，請參閱 [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) 文件中的[架構](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html)。如需內建演算法的更多相關資訊，請參閱[Amazon SageMaker 中的內建演算法和預先訓練模型](algos.md)。

**Topics**
+ [選擇訓練演算法](#ex1-train-model-select-algorithm)
+ [建立和執行訓練任務](#ex1-train-model-sdk)

## 選擇訓練演算法
<a name="ex1-train-model-select-algorithm"></a>

若要為資料集選擇正確的演算法，您通常需要評估不同的模型，以找出最適合您資料的模型。為了簡單起見，在本教學課程中使用 SageMaker AI [XGBoost 演算法搭配 Amazon SageMaker AI](xgboost.md) 內建演算法，無需對模型進行預先評估。

**提示**  
如果您希望 SageMaker AI 為您的表格式資料集找到適當的模型，請使用 Amazon SageMaker Autopilot 來自動執行機器學習解決方案。如需詳細資訊，請參閱[SageMaker Autopilot](autopilot-automate-model-development.md)。

## 建立和執行訓練任務
<a name="ex1-train-model-sdk"></a>

找出要使用的模型後，請開始建構 SageMaker AI 估算器以進行訓練。本教學課程會針封 SageMaker AI 一般估算器使用 XGBoost 內建演算法。

**執行模型訓練任務**

1. 匯入 [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable)，並從目前的 SageMaker AI 工作階段擷取基本資訊開始。

   ```
   import sagemaker
   
   region = sagemaker.Session().boto_region_name
   print("AWS Region: {}".format(region))
   
   role = sagemaker.get_execution_role()
   print("RoleArn: {}".format(role))
   ```

   其會傳回下列資訊：
   + `region` – SageMaker AI 筆記本執行個體執行所在的目前 AWS 區域。
   + `role` — 筆記本執行個體使用的 IAM 角色。
**注意**  
透過執行 `sagemaker.__version__` 檢查 SageMaker Python SDK 版本。本教學課程是基於 `sagemaker>=2.20`。如果 SDK 已過期，請執行下列命令來安裝最新版本：  

   ```
   ! pip install -qU sagemaker
   ```
如果您在現有的 SageMaker Studio 或筆記本執行個體中執行此安裝，則需要手動重新整理核心以完成套用版本更新。

1. 使用 `sagemaker.estimator.Estimator` 類別建立一個 XGBoost 估算器。在下列範例程式碼中，XGBoost 估算器命名為 `xgb_model`。

   ```
   from sagemaker.debugger import Rule, ProfilerRule, rule_configs
   from sagemaker.session import TrainingInput
   
   s3_output_location='s3://{}/{}/{}'.format(bucket, prefix, 'xgboost_model')
   
   container=sagemaker.image_uris.retrieve("xgboost", region, "1.2-1")
   print(container)
   
   xgb_model=sagemaker.estimator.Estimator(
       image_uri=container,
       role=role,
       instance_count=1,
       instance_type='ml.m4.xlarge',
       volume_size=5,
       output_path=s3_output_location,
       sagemaker_session=sagemaker.Session(),
       rules=[
           Rule.sagemaker(rule_configs.create_xgboost_report()),
           ProfilerRule.sagemaker(rule_configs.ProfilerReport())
       ]
   )
   ```

   若要建構 SageMaker AI 估算器，請指定下列參數：
   + `image_uri` — 指定訓練容器映像 URI。在此範例中，SageMaker AI XGBoost 訓練容器 URI 是使用 `sagemaker.image_uris.retrieve` 指定的。
   + `role` – SageMaker AI 用來代表您執行任務的 AWS Identity and Access Management (IAM) 角色 （例如，讀取訓練結果、從 Amazon S3 呼叫模型成品，以及將訓練結果寫入 Amazon S3)。
   + `instance_count` 和 `instance_type` — 模型訓練使用的 Amazon EC2 機器學習 (ML) 運算執行個體類型和數量。在本訓練練習中，您將使用具有 4 個 CPU、16 GB 記憶體、Amazon Elastic Block Store (Amazon EBS) 儲存和高網路效能的單一 `ml.m4.xlarge` 執行個體。如需 EC2 運算執行個體類型的更多相關資訊，請參閱 [Amazon EC2 運算執行個體類型](https://aws.amazon.com/ec2/instance-types/)。如需帳單的更多相關資訊，請參閱 [Amazon SageMaker 定價](https://aws.amazon.com/sagemaker/pricing/)。
   + `volume_size` — 要連接到訓練執行個體之 EBS 儲存磁碟區的大小 (以 GB 為單位)。如果您使用 `File` 模式 (`File` 是預設模式)，這必須大到足以存放訓練資料。如果未指定此參數，預設值將為 30。
   + `output_path` — S3 儲存貯體的路徑，此儲存貯體是 SageMaker AI 存放模型成品和訓練結果的位置。
   + `sagemaker_session` – 管理與 SageMaker API 操作和訓練任務使用之其他服務互動 AWS 的工作階段物件。
   + `rules`— 指定 SageMaker Debugger 內建規則的清單。在此範例中，`create_xgboost_report()` 規則會建立 XGBoost 報告，提供訓練進度和結果的深入資訊，並且 `ProfilerReport()` 規則會建立有關 EC2 運算資源使用率的報告。如需詳細資訊，請參閱[SageMaker Debugger 針對 XGBoost 的互動式報告](debugger-report-xgboost.md)。
**提示**  
如果您想要執行大型深度學習模型 (例如卷積神經網路 (CNN) 和自然語言處理 (NLP) 模型的分散式訓練，請使用 SageMaker AI Distributed 來取得資料平行化或模型平行化。如需詳細資訊，請參閱[Amazon SageMaker AI 分散式訓練](distributed-training.md)。

1. 呼叫估算器的 `set_hyperparameters` 方法，來設定 XGBoost 演算法的超參數。有關 XGBoost 超參數的完整清單，請參閱[XGBoost 超參數](xgboost_hyperparameters.md)。

   ```
   xgb_model.set_hyperparameters(
       max_depth = 5,
       eta = 0.2,
       gamma = 4,
       min_child_weight = 6,
       subsample = 0.7,
       objective = "binary:logistic",
       num_round = 1000
   )
   ```
**提示**  
您也可以使用 SageMaker AI 超參數最佳化功能來調整超參數。如需詳細資訊，請參閱[使用 SageMaker AI 執行自動模型調校](automatic-model-tuning.md)。

1. 使用 `TrainingInput` 類別來設定用於訓練的資料輸入流程。以下範例程式碼來顯示如何設定 `TrainingInput` 物件來使用您上傳到 Amazon S3 的訓練和驗證資料集，請參閱[將資料分割為訓練、測試和驗證資料集。](ex1-preprocess-data.md#ex1-preprocess-data-transform)部分。

   ```
   from sagemaker.session import TrainingInput
   
   train_input = TrainingInput(
       "s3://{}/{}/{}".format(bucket, prefix, "data/train.csv"), content_type="csv"
   )
   validation_input = TrainingInput(
       "s3://{}/{}/{}".format(bucket, prefix, "data/validation.csv"), content_type="csv"
   )
   ```

1. 若要開始模型訓練，請使用訓練和驗證資料集呼叫估算器的 `fit` 方法。透過設定 `wait=True`，`fit` 方法會顯示進度日誌並等待訓練完成，再傳回結果。

   ```
   xgb_model.fit({"train": train_input, "validation": validation_input}, wait=True)
   ```

   如需模型訓練的更多相關資訊，請參閱[使用 Amazon SageMaker 訓練模型](how-it-works-training.md)。本教學課程訓練工作最多可能需要 10 分鐘的時間。

   訓練工作完成後，您可以下載 XGBoost 訓練報告和 SageMaker Debugger 所產生的效能分析報告。XGBoost 訓練報告可讓您深入瞭解訓練進度和結果，例如與迭代、功能重要性、混淆矩陣、準確度曲線以及其他訓練統計結果相關的損失函式。例如，您可以從 XGBoost 訓練報告中找到以下損失曲線，清楚地表明存在過度擬合的問題。  
![\[XGBoost 訓練報告中的圖表。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/get-started-ni/gs-ni-train-loss-curve-validation-overfitting.png)

   執行下列程式碼以指定產生 Debugger 訓練報告的 S3 儲存貯體 URI，並檢查報告是否存在。

   ```
   rule_output_path = xgb_model.output_path + "/" + xgb_model.latest_training_job.job_name + "/rule-output"
   ! aws s3 ls {rule_output_path} --recursive
   ```

   將 Debugger XGBoost 訓練和效能分析報告下載到目前的工作區：

   ```
   ! aws s3 cp {rule_output_path} ./ --recursive
   ```

   執行下列 IPython 指令碼以取得 XGBoost 訓練報告的檔案連結：

   ```
   from IPython.display import FileLink, FileLinks
   display("Click link below to view the XGBoost Training report", FileLink("CreateXgboostReport/xgboost_report.html"))
   ```

   下列 IPython 指令碼會傳回 Debugger 分析報告的檔案連結，其中顯示 EC2 執行個體資源使用率、系統瓶頸偵測結果和 python 作業剖析結果的摘要和詳細資訊：

   ```
   profiler_report_name = [rule["RuleConfigurationName"] 
                           for rule in xgb_model.latest_training_job.rule_job_summary() 
                           if "Profiler" in rule["RuleConfigurationName"]][0]
   profiler_report_name
   display("Click link below to view the profiler report", FileLink(profiler_report_name+"/profiler-output/profiler-report.html"))
   ```
**提示**  
如果 HTML 報表未在 JupyterLab 檢視中轉譯繪圖，您必須選擇報表頂端的**信任 HTML**。  
若要識別訓練問題，例如過度擬合、漸層消失，以及其他阻止模型收斂的問題，請使用 SageMaker Debugger 並在製作機器學習 (ML) 模型的原型和訓練時採取自動化動作。如需詳細資訊，請參閱[Amazon SageMaker Debugger](train-debugger.md)。要查找模型參數的完整分析，請參閱[ Amazon SageMaker Debugger 可解釋性](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/xgboost_census_explanations/xgboost-census-debugger-rules.html#Explainability-with-Amazon-SageMaker-Debugger)範例筆記本。

您現在擁有一個成功地訓練好的 XGBoost 模型。SageMaker AI 會將模型成品存放在 S3 儲存貯體中。若要尋找模型成品的位置，請執行下列程式碼以列印 `xgb_model` 估算器的 model\$1data 屬性：

```
xgb_model.model_data
```

**提示**  
若要測量機器學習 (ML) 生命週期每個階段 (資料收集、模型訓練和調整，以及監控部署用於預測的機器學習 (ML) 模型) 期間可能發生的偏差，請使用 SageMaker Clarify。如需詳細資訊，請參閱[模型可解釋性](clarify-model-explainability.md)。有關端對端範例，請參閱[公平性和解釋性與 SageMaker Clarify](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-clarify/fairness_and_explainability/fairness_and_explainability.html)範例筆記本。