本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。
Apache Spark 搭载亚马逊 SageMaker
Amazon SageMaker Spark 是一个开源 Spark 库,可帮助您构建 Spark 机器学习 (ML) 管道 SageMaker。这简化了 Spark ML 阶段与 SageMaker阶段(例如模型训练和托管)的集成。有关 SageMaker Spark 的信息,请参阅 SageMaker Spark
SageMaker Spark 库有 Python 和 Scala 版本。您可以使用 SageMaker Spark 在 Spark 集群中 SageMaker 使用org.apache.spark.sql.DataFrame
数据帧来训练模型。模型训练结束后,您还可以使用 SageMaker 托管服务托管模型。
除其他外com.amazonaws.services.sagemaker.sparksdk
, SageMaker Spark 库提供了以下类:
-
SageMakerEstimator
- 扩展org.apache.spark.ml.Estimator
接口。您可以在中使用此估算器进行模型训练。 SageMaker -
KMeansSageMakerEstimator
、PCASageMakerEstimator
和XGBoostSageMakerEstimator
- 扩展SageMakerEstimator
类。 -
SageMakerModel
- 扩展org.apache.spark.ml.Model
类。你可以用它来SageMakerModel
托管模型和获取推论。 SageMaker
你可以从 Spark GitHub 存储库中下载 Python Spark (PySpark) 和 Scala 库的SageMaker 源代码。
有关 SageMaker Spark 库的安装和示例,请参阅SageMaker 斯卡拉的 Spark 示例或使用 SageMaker Spark for Python (PySpark) 示例的资源。
如果你EMR在上使用亚马逊 Amazon 来管理 Spark 集群,请参阅 Apache Spark
主题
将你的 Apache Spark 应用程序与 SageMaker
以下是将 Apache Spark 应用程序与 SageMaker集成的步骤的高级摘要。
-
继续使用您熟悉的 Apache Spark 进行数据预处理。您的数据集仍然是 Spark 集群中的
DataFrame
。将您的数据加载到DataFrame
. 对其进行预处理,使features
列org.apache.spark.ml.linalg.Vector
的值为为Doubles
,可选label
列的值为Double
类型。 -
使用 SageMaker Spark 库中的估算器来训练您的模型。例如,如果您选择为模型训练提供的 SageMaker k 均值算法,请调用该
KMeansSageMakerEstimator.fit
方法。提供您的
DataFrame
作为输入。评估程序返回一个SageMakerModel
对象。注意
SageMakerModel
扩展org.apache.spark.ml.Model
。fit
方法执行以下操作:-
将输入
DataFrame
转换为 protobuf 格式。它通过从输入中选择features
和label
列来实现此目的DataFrame
。然后,它会将 protobuf 数据上传到 Amazon S3 存储桶。protobuf 格式对于模型训练非常有效。 SageMaker -
SageMaker 通过发送 SageMaker
CreateTrainingJob
请求开始模型训练。模型训练完成后, SageMaker 将模型工件保存到 S3 存储桶中。SageMaker 担任您为模型训练指定的IAM角色,代表您执行任务。例如,它使用角色从 S3 存储桶读取训练数据并将模型构件写入存储桶。
-
创建并返回一个
SageMakerModel
对象。构造函数执行以下任务,这些任务与将模型部署到有关 SageMaker。-
向发送
CreateModel
请求 SageMaker。 -
向 SageMaker 发送
CreateEndpointConfig
请求。 -
向发送
CreateEndpoint
请求 SageMaker,然后由其启动指定的资源,并在这些资源上托管模型。
-
-
-
您可以从托管在中的模型中 SageMaker 获得推论。
SageMakerModel.transform
提供具有特征的输入
DataFrame
作为输入。transform
方法将其转换为一个包含推理的DataFrame
。在内部,该transform
方法向发送请求InvokeEndpoint
SageMaker API以获取推断。transform
方法将推理附加到输入DataFrame
中。