生产中的ML-1：Amazon Sagemaker-AWS，设置，训练和部署

作者|Roshini Johri
编译|VK
来源|Towards Data Science

将大规模的机器学习系统投入生产，建立一个漂亮的流线化功能库，这已经成为我一个新痴迷的技术点。

我最近开始了一系列关于学习和教学如何做到这一点的三部分教程，以实现不同的机器学习工作流程。本文假设了机器学习模型的基本知识，并重点介绍了如何在生产中建立工作流和部署。

在本系列的第一部分中，我们将在Amazon Sagemaker上设置此功能。我们将使用sklearn的波士顿住房数据集。

机器学习生命周期

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。

Amazon Sagemaker

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。

如果没有，可以查看这个链接：https://aws.amazon.com/sagemaker/pricing/instance-types/

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。请在这里查看更多信息：https://docs.aws.amazon.com/general/latest/gr/aws_service_limits.html

Sagemaker Notebook实例

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:

cd SageMaker

git clone myFunSagemakerRepo

这应该为你设置一个notebook实例和一个GitHub存储库。

Sagemaker会议和角色

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。

#加载数据
boston_data = load_boston()

#训练数据
X_bos_pd = pd.DataFrame(boston_data.data, columns=boston_data.feature_names)

#目标
Y_bos_pd = pd.DataFrame(boston_data.target)

#训练/测试分离
X_train, X_test, Y_train, Y_test = sklearn.model_selection.train_test_split(X_bos_pd, Y_bos_pd, test_size=0.20)

#训练验证分离
X_train, X_val, Y_train, Y_val = sklearn.model_selection.train_test_split(X_train, Y_train, test_size=0.33)

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。

prefix = 'boston-xgboost-example'

test_location = session.upload_data(os.path.join(data_dir, 'test.csv'), key_prefix=prefix)
val_location = session.upload_data(os.path.join(data_dir, 'validation.csv'), key_prefix=prefix)
train_location = session.upload_data(os.path.join(data_dir, 'train.csv'), key_prefix=prefix)

Sagemaker 训练

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。请查看此处链接的文档，以确保你查看了sagemaker要求和语法：https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html

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。

container = get_image_uri(session.boto_region_name, 'xgboost')

#xgboost estimator
xgb_estimator = sagemaker.estimator.Estimator(
container, 
role,      
train_instance_count=1,                                                                            train_instance_type='ml.m4.xlarge',                                                 output_path='s3://{}/{}/output'.format(session.default_bucket(), prefix),
sagemaker_session=session
)

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。有关xgboost超参数，请参阅此处：https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost_hyperparameters.html

• 当estimator都设置好后，就可以开始训练了

xgb_estimator.set_hyperparameters(max_depth=5,
                        eta=0.2,
                        gamma=4,
                        min_child_weight=6,
                        subsample=0.8,
                        objective='reg:linear',
                        early_stopping_rounds=10,
                        num_round=200)

train_s3 = sagemaker.s3_input(s3_data=train_location, content_type='csv')
validation_s3 = sagemaker.s3_input(s3_data=val_location, content_type='csv')

xgb_estimator.fit({'train': train_s3, 'validation': validation_s3})

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。

xgb_transformer = xgb_estimator.transformer(instance_count = 1, instance_type = 'ml.m4.xlarge')

xgb_transformer.transform(test_location, content_type='text/csv', split_type='Line')

xgb_transformer.wait()

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

!aws s3 cp --recursive $xgb_transformer.output_path $data_dir

现在我们来评估！

Y_pred = pd.read_csv(os.path.join(data_dir, 'test.csv.out'), header=None)

模型部署

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。

#调用deploy方法启动端点实例

xgb_predictor = xgb_estimator.deploy(initial_instance_count=1, instance_type='ml.m4.xlarge')

xgb_predictor.content_type = 'text/csv'
xgb_predictor.serializer = csv_serializer

Y_pred = xgb_predictor.predict(X_test.values).decode('utf-8')

#做完后别忘了关机/清理！

• 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。

清理

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

SageMaker文档：

开发人员文档可在此处找到：https://docs.aws.amazon.com/sagemaker/latest/dg/

Python SDK文档（也称为高级方法）可在以下位置找到：https://sagemaker.readthedocs.io/en/latest/

在github上可以找到Python SDK代码：https://github.com/aws/sagemaker-python-sdk

原文链接：https://towardsdatascience.com/ml-in-production-1-amazon-sagemaker-aws-setup-train-and-deploy-896086848cde

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/