本篇内容主要讲解“怎么在Amazon Sagemaker上设置功能”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“怎么在Amazon Sagemaker上设置功能”吧!让我们花点时间来回顾一下机器学习的生命周期。简化的机器学习生命周期如下所示：现在，第一部分，数据准备，实际上应该是包括数据预处理和用于接下来步骤所需的特征 香港云主机工程。我将简要地概述这些步骤是什么样子。获取数据：这是一个从repo、etl等读取数据的过程，将数据移动到一个位置，以形成训练数据的原始版本。清理数据：这个阶段更多的是做一些基本的清理，比如类型转换、空处理、确保字符串/类别等是一致的准备/转换：特征转换、派生、高阶特征，如交互特征、进行一些编码等。下一阶段包括建模和评估阶段：训练模型：在这个阶段，你的数据应该以特征向量的形式出现，标签分为训练、验证和测试。在这个阶段，你将读取这些数据，在训练集上训练你的模型，在验证集上调参并在测试集上进行测试！这也是你保存模型以进行评估的阶段。评估模型：评估阶段，判断是否“我的模型做正确的事情”，是最重要的阶段之一，我觉得我们从来没有花足够的时间在这个阶段上。模型评估将帮助你了解模型性能。注意你的模型评估指标，并选择正确的指标。最后，也是我们阅读本文的真正原因，部署。部署到生产环境：这是准备将模型发布到公共的阶段。我们要注意概念漂移和模型衰减（由于底层分布的变化而导致性能的变化）监控/收集/评估数据：模型性能、输入/输出路径、错误度量、日志、模型组件等都将被时间戳标记和记录，应围绕模型选择建立度量监控和警报系统，以实现完美的管道！以上是一个简化但很漂亮的机器学习管道。现在让我们看看如何使用Amazon Sagemaker设置一个。现在，第一步从创建AWS帐户开始。如果你已经熟悉Amazon提供的实例（ec2实例）的类型，这会有所帮助。Sagemaker实例针对运行机器学习（ML）算法进行了优化。实例的类型还取决于区域和可用区域。如果你觉得过多地阅读有关实例类型的详细信息很无聊，那么就可以简化成以下选项：启动ML的好实例：ml.m4.xlarge (not free)启动DL的好实例：ml.p2.xlarge (not free)AWS Sagemaker EC2实例有与之关联的默认配额。你可能不总是得到20，这也会随着区域的不同而变化。根据用例的不同，你可能需要请求和增加。这可以通过创建一个带有AWS支持中心的案例来实现。现在要启动sagemaker Notebook实例，请转到aws帐户服务来搜索sagemaker。进入sagemaker页面后，单击创建notebook实例。如下所示：下一步是选择IAM角色。首先，尝试创建一个新角色，然后选择none作为s3bucket，除非有一个s3bucket要从中读取。另外，此时应该有一个可选的选择来选择git存储库。滚动到下方并单击“创建Notebook实例”。你可以看到正在创建的Notebook的状态，一旦准备就绪，你可以选择jupyter或jupyter lab。如果你需要克隆你的git存储库，打开终端从右边的jupyter面板，选择new，并执行以下操作:这应该为你设置一个notebook实例和一个GitHub存储库。我们将使用load_boston() 方法从sklearn获取数据集。然后，我们将这个数据集拆分为训练、验证和测试集。一旦训练、验证和测试数据集被创建，这些数据集需要上传到s3（简单存储服务）存储桶中，以便sagemaker容器在执行训练作业时可以访问它。最好使用前缀指定位置，最好是型号名称和版本，以确保路径干净。上传后，你可以从控制台转到s3服务并进行检查。在sagemaker中训练机器学习模型涉及到创建训练工作。我们将使用xgboost模型。要训练sagemaker模型，第一个任务是创建一个包含以下内容的训练工作：S3训练/验证集的位置（注：这应该是csv文件）模型的计算资源（这与我们用于Notebook的资源不同）输出S3位置（模型）内置模型的Docker路径模型评估器为了训练一个模型，我们需要创建一个模型估计器。这将包含如何训练模型（配置）的信息。我们将使用名为get_image_uri的SageMaker实用程序方法来获取内置算法容器的路径estimator初始化如下所示。我在这里用了一个付费的例子。模型超参数在任何一种模型训练方法中，最重要的部分是，在开始训练之前，我们需要调用estimator的set_hyperparameters 方法。当estimator都设置好后，就可以开始训练了模型评估SageMaker使用transformer对象来评估模型。像estimator这样的transformer对象需要知道instance_count和instance_type以及它需要转换的测试数据的格式。为了让transformer以批处理方式评估测试数据，我们需要让它知道拆分类型是什么，以便将文件分成块。现在，为了把数据从s3移回Notebook进行分析，我们把数据复制一遍现在我们来评估！通过高级api进行模型部署非常简单。我将展示一个示例，演示如何部署我们刚刚训练过的上述模型。与我们如何使用transformer对象进行评估类似，我们可以对部署的模型执行相同的操作。我们可以在不同的概念漂移（可能导致模型衰退的数据的底层分布的变化）运行后的比较这些结果。根据测试集的大小，我们可以决定是一次性发送数据还是分块发送数据。Xgb predictor需要知道文件的格式以及要使用的序列化器的类型。这是一个非常简单的方法，可以尝试在AWS Sagemaker上设置第一个ml工作流。我建议你先从简单的开始，然后再转向复杂的。我们将在后面的文章中讨论较低级别的api，并真正深入到细节中。但是为了获得基本的理解，请尝试使用一些简单的数据集进行设置，并使用可用的不同模型。记得：删除终端和终端配置删除模型删除s3存储桶停止未使用的Notebook实例到此，相信大家对“怎么在Amazon Sagemaker上设置功能”有了更深的了解，不妨来实际操作一番吧！这里是开发云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
本篇内容介绍了“Docker容器与容器云的优点有哪些”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！一、从容器到容器云1.容器技术的好处：持续部署与测试跨云平台支…
免责声明：本站发布的图片视频文字，以转载和分享为主，文章观点不代表本站立场，本站不承担相关法律责任；如果涉及侵权请联系邮箱：360163164@qq.com举报，并提供相关证据，经查实将立刻删除涉嫌侵权内容。
微信扫一扫 
