Amazon SageMaker Processing – 完全托管的数据处理和模型评估_行业深度_亚马逊云科技 (Amazon Web Services）



 写点什么

Amazon SageMaker Processing – 完全托管的数据处理和模型评估

今天，我们非常高兴地推出 Amazon SageMaker Processing，这是 Amazon SageMaker 的一项新功能，可让您轻松地在完全托管的基础设施上运行预处理、后处理和模型评估工作负载。

训练准确的机器学习 (ML) 模型需要许多不同的步骤，但没有什么比预处理数据集更重要，例如：

将数据集转换为您所使用的 ML 算法期望的输入格式，
将现有功能转换为更具表现力的表示形式，例如一键编码分类功能，
重新调整或归一化数值特征，
设计高级功能，例如用 GPS 坐标替换邮寄地址，
为自然语言处理应用程序清理和标记文本，
等等！

这些任务包括在数据集上运行定制脚本（我被告知在没有月亮的天空下），并保存处理后的版本，以供以后的培训作业使用。如您所料，对 ML 团队来说，手动运行它们或必须构建和扩展自动化工具的前景并不令人兴奋。对于后处理作业（筛选、整理等）和模型评估作业（针对不同测试集对模型评分）而言，也是如此。

为解决此问题，我们构建了 Amazon SageMaker Processing。下面我来进行更多介绍。

Amazon SageMaker Processing 简介

Amazon SageMaker Processing 推出了新的 Python 开发工具包，使数据科学家和 ML 工程师可以轻松地在 Amazon SageMaker 上运行预处理、后处理和模型评估工作负载。

该开发工具包使用 SageMaker 的内置容器来进行scikit-learn，这可能是最受欢迎的数据集转换库之一。

如果您还需要其他工具，还可以使用自己的 Docker 映像，而不必遵循任何 Docker 映像规范：这为您提供了最大的灵活性，无论是在 SageMaker Processing 还是在 Amazon ECS 和Amazon Elastic Kubernetes Service 之类的 AWS 容器服务上，甚至在内部，均是如此。

用 scikit-learn 快速演示怎么样？然后，我将简要讨论如何使用您自己的容器。当然，您可以在 Github 上找到完整的示例。

使用内置的 Scikit-Learn 容器预处理数据

以下是使用 SageMaker Processing 开发工具包来运行 scikit-learn 作业的方法。

首先，让我们创建一个 SKLearnProcessor 对象，传递要使用的 scikit-learn 版本以及对托管基础设施的要求。

Python

from sagemaker.sklearn.processing import SKLearnProcessorsklearn_processor = SKLearnProcessor(framework_version='0.20.0',                                     role=role,                                     instance_count=1,                                     instance_type='ml.m5.xlarge')

复制代码

然后，我们可以像下面这样，运行预处理脚本（稍后将介绍更多有关该操作的内容）：

数据集 (dataset.csv) 将自动复制到目标目录 (/input) 下的容器内。如果需要，我们会添加其他输入。
这是 Python 脚本 (preprocessing.py) 读取它的位置。我们也可以将命令行参数传递给脚本。
脚本对命令行进行预处理，将其分为三种方式，然后将文件保存在容器中的 /opt/ml/processing/output/train、/opt/ml/processing/output/validation 和 /opt/ml/processing/output/test 下。
作业完成后，所有输出将自动复制到 S3 中的默认 SageMaker 存储桶。

Python

from sagemaker.processing import ProcessingInput, ProcessingOutputsklearn_processor.run(    code='preprocessing.py',    # arguments = ['arg1', 'arg2'],    inputs=[ProcessingInput(        source='dataset.csv',        destination='/opt/ml/processing/input')],    outputs=[ProcessingOutput(source='/opt/ml/processing/output/train'),        ProcessingOutput(source='/opt/ml/processing/output/validation'),        ProcessingOutput(source='/opt/ml/processing/output/test')])

复制代码

就这么简单！让我们通过查看预处理脚本的框架将所有内容放在一起。

Python

import pandas as pdfrom sklearn.model_selection import train_test_split# Read data locally df = pd.read_csv('/opt/ml/processing/input/dataset.csv')# Preprocess the data setdownsampled = apply_mad_data_science_skills(df)# Split data set into training, validation, and testtrain, test = train_test_split(downsampled, test_size=0.2)train, validation = train_test_split(train, test_size=0.2)# Create local output directoriestry:    os.makedirs('/opt/ml/processing/output/train')    os.makedirs('/opt/ml/processing/output/validation')    os.makedirs('/opt/ml/processing/output/test')except:    pass# Save data locallytrain.to_csv("/opt/ml/processing/output/train/train.csv")validation.to_csv("/opt/ml/processing/output/validation/validation.csv")test.to_csv("/opt/ml/processing/output/test/test.csv")print('Finished running processing job')

复制代码

快速浏览 S3 存储桶，确认文件已成功处理并保存。现在，我可以将它们直接用作 SageMaker 培训作业的输入。

$ aws s3 ls --recursive s3://sagemaker-us-west-2-123456789012/sagemaker-scikit-learn-2019-11-20-13-57-17-805/output

2019-11-20 15:03:22 19967 sagemaker-scikit-learn-2019-11-20-13-57-17-805/output/test.csv

2019-11-20 15:03:22 64998 sagemaker-scikit-learn-2019-11-20-13-57-17-805/output/train.csv

2019-11-20 15:03:22 18058 sagemaker-scikit-learn-2019-11-20-13-57-17-805/output/validation.csv

现在如何使用自己的容器？

使用自己的容器处理数据

比如说您想使用热门的 spaCy 库预处理文本数据。您可以使用以下方法为其定义一个普通 Docker 容器。

Bash

FROM python:3.7-slim-buster# Install spaCy, pandas, and an english language model for spaCy.RUN pip3 install spacy==2.2.2 && pip3 install pandas==0.25.3RUN python3 -m spacy download en_core_web_md# Make sure python doesn't buffer stdout so we get logs ASAP.ENV PYTHONUNBUFFERED=TRUEENTRYPOINT ["python3"]

复制代码

然后，您可以构建 Docker 容器，在本地进行测试，然后将其推送到我们的托管 Docker 注册表服务 Amazon Elastic Container Registry。

下一步，可以使用 ScriptProcessor 对象配置处理作业，并传递您已构建和推送的容器的名称。

Python

from sagemaker.processing import ScriptProcessorscript_processor = ScriptProcessor(image_uri='123456789012.dkr.ecr.us-west-2.amazonaws.com/sagemaker-spacy-container:latest',                role=role,                instance_count=1,                instance_type='ml.m5.xlarge')

复制代码

最后，您可以像前面的示例一样运行该作业。

Python

script_processor.run(code='spacy_script.py',    inputs=[ProcessingInput(        source='dataset.csv',        destination='/opt/ml/processing/input_data')],    outputs=[ProcessingOutput(source='/opt/ml/processing/processed_data')],    arguments=['tokenizer', 'lemmatizer', 'pos-tagger'])

复制代码

其余过程与上述过程完全相同：将输入复制到容器内部，将输出从容器复制到 S3。

很简单，对不对？同样，我专注的是预处理，但是您可以运行类似的任务进行后处理和模型评估。不要忘记查看 Github 中的示例。

现已推出！

Amazon SageMaker Processing 现已在提供 Amazon SageMaker 的所有商业区域中推出。

请试一试，并通过 Amazon SageMaker 的 AWS 论坛或您常用的 AWS Support 联系方式向我们发送反馈。

本文转载自 AWS 技术博客。

原文链接：https://amazonaws-china.com/cn/blogs/china/amazon-sagemaker-processing-fully-managed-data-processing-and-model-evaluation/

发布

暂无评论

创作场景

Amazon SageMaker Processing – 完全托管的数据处理和模型评估

评论

解析YashanDB数据库与区块链技术的结合

抓票啦 - 您的智能抢票小助手！

利用YashanDB数据库实现自动化数据清洗的实用攻略

利用YashanDB数据库提升企业数据检索效率的方法

面向未来的YashanDB数据库核心技术演进路线

字节发布最新豆包视觉推理模型，一手实测来啦！

解读YashanDB的并发处理能力：推动业务增长的关键

YashanDB 对云环境适配能力

企业版本YashanDB数据库升级维护全流程指南

工业设计自控设计经验总结（6）

解锁YashanDB数据库的强大API接口功能

企业安全合规下YashanDB的数据治理框架

面向企业的YashanDB数据库架构优化技巧

企业必读：YashanDB数据库故障排查与恢复操作指南

利用YashanDB数据库实现跨部门数据协同的核心方法

理解YashanDB数据库的核心优势与应用场景

利用YashanDB构建高效能实时数据处理系统

了解YashanDB数据库中的数据存储机制

结合AI技术提升YashanDB数据库智能运维能力

YashanDB 是一款高性能、灵活且可扩展的数据库系统

利用YashanDB数据库构建动态数据权限管理体系的策略

面向大规模用户的YashanDB数据库性能承载研究

企业大规模应用YashanDB数据库

结合YashanDB其功能可以有效提升企业的数据洞察力

利用YashanDB数据库分析提升企业决策能力

面向实时计算的YashanDB数据流处理技术探析

三个月，50W字，一张项目管理知识体系大图

解密YashanDB的先进存储架构及其优势

跨平台兼容性：YashanDB数据库的实现原理解析

解密YashanDB数据库的高并发处理机制

快速上手YashanDB：从安装到优化的全流程教程

创作场景

Amazon SageMaker Processing – 完全托管的数据处理和模型评估

评论

更多内容推荐

推荐阅读

电子书

大厂实战PPT下载