SageMaker 模型中的自定义特征工程

Question

我在 SageMaker 中使用批量转换来调用存储的 XGBoost 模型并根据存储在 S3 中的数据对其进行评分。 但是，在调用模型之前，我必须对列进行多次转换。

以下是用于批量转换的代码：

batch_input = 's3://{}/{}/batch/test_data_Batch.csv'.format(bucket,prefix) # test data used for prediction
batch_output = 's3://{}/{}/batch/batch-inference/test_data_Batch.csv.out'.format(bucket,prefix)
Modelname = '<your_model_name_here>' # the model name we already have
transformJobName = 'DEMO-xgboost-churn-call-batch'+ strftime("%Y-%m-%d-%H-%M-%S", gmtime())

client = boto3.client('sagemaker')

create_batch = client.create_transform_job(
    TransformJobName=transformJobName,
    ModelName=Modelname,
    MaxConcurrentTransforms=0,
    MaxPayloadInMB=6,
    BatchStrategy='MultiRecord',
    TransformInput={
        'DataSource': {
            'S3DataSource': {
                'S3DataType': 'S3Prefix',
                'S3Uri': batch_input 
            }
        },
        'ContentType': 'text/csv',
        'CompressionType': 'None',
        'SplitType': 'Line'
    },
    TransformOutput={
        'S3OutputPath': batch_output,
        'AssembleWith': 'Line'
    },
    TransformResources={
        'InstanceType': 'ml.m4.xlarge',
        'InstanceCount': 1
    }
    )

在使用 XGBoost 模型运行批量转换之前，如何调用特征工程 Python 函数来转换数据？ 一些指针会有所帮助。 谢谢你。

Answer 1

为迟到的回复道歉。

我相信您可以采用几种方法在 SageMaker 中结合 Batch 进行一些预处理。

我假设您使用的是 SageMaker 提供的 XGBoost 图像： https : //github.com/aws/sagemaker-xgboost-container 。

1. 如果您使用的是开源 SageMaker XGBoost 容器，那么您可以修改您的模型图像脚本来处理您的预处理和后处理。 这将要求您扩展或构建 XGBoost 映像并将其作为 ECR 映像托管在您的 AWS 账户中。

有关扩展框架图像的示例，请参阅： https : //docs.aws.amazon.com/sagemaker/latest/dg/prebuilt-containers-extend.html

扩展图像后，您可能希望修改您的用户脚本来处理您的预处理。

XGBoost 容器中的用户脚本示例： https : //github.com/aws/sagemaker-xgboost-container/blob/master/test/resources/boston/single_machine_customer_script.py

这可能需要一些时间，我建议使用 Python SDK 和本地模式来加快迭代速度： https : //github.com/aws-samples/amazon-sagemaker-local-mode 。

2. 在使用 SageMaker 批处理之前，利用 SageMaker 推理管道拥有一个单独的图像来处理数据预处理。

与上面的方法类似，但是在这种情况下，我们将生成一个单独的 Image 来单独处理我们的数据，然后将该数据传递给我们的原始模型。

根据您的方法，这可能需要扩展现有容器或创建一个完全具有所需依赖项的新容器。

https://docs.aws.amazon.com/sagemaker/latest/dg/inference-pipeline-batch.html

3. 还有 SageMaker 处理

https://aws.amazon.com/blogs/aws/amazon-sagemaker-processing-fully-managed-data-processing-and-model-evaluation/