支持的版本如何使用 XGBoost XGBoost 算法的输入/输出接口 XGBoost 算法的 EC2 实例推荐示例笔记本

XGBoost 算法

XGBoost (eXtreme Gradient Boosting) 是梯度提升树算法的一种流行且高效的开源实施。梯度提升是一种指导式学习算法，它尝试将一组较简单且较弱模型的一系列估计值结合在一起，从而准确地预测目标变量。XGBoost 算法在机器学习竞赛中表现良好，因为它可以强大地处理各种数据类型、关系、分布以及您可以微调的各种超参数。您可以使用 XGBoost 来处理回归、分类（二元和多元）和排名问题。

您可以将新版本的 XGBoost 算法作为 Amazon SageMaker 内置算法或者作为框架，用于在本地环境中运行训练脚本。与原始版本相比，此实施占用内存更少，并且具有更好的日志记录、改进的超参数验证以及一组扩展的指标。它提供了一个 XGBoost estimator，用于在托管的 XGBoost 环境中执行训练脚本。当前版本的 SageMaker XGBoost 基于原始 XGBoost 版本 1.0、1.2、1.3、1.5 和 1.7。

支持的版本

框架（开源）模式：1.0-1、1.2-1、1.2-2、1.3-1、1.5-1、1.7-1
算法模式：1.0-1、1.2-1、1.2-2、1.3-1、1.5-1、1.7-1

警告

由于需要计算容量，SageMaker XGBoost 版本 1.7-1 在训练或推理时，与 P2 实例系列的 GPU 实例不兼容。

重要

检索 SageMaker XGBoost 映像 URI 时，请勿使用 :latest 或 :1 作为映像 URI 标签。您必须指定支持的版本之一，这样才能选择由 SageMaker 管理且具有您要使用的原生 XGBoost 软件包版本的 XGBoost 容器。要查找迁移到 SageMaker XGBoost 容器中的软件包版本，请查看 Docker 注册表路径和示例代码，选择 Amazon Web Services 区域，然后导航到 XGBoost（算法）部分。

警告

XGBoost 0.90 版本已弃用。对 XGBoost 0.90 的安全更新或错误修复的支持已停止。强烈建议将 XGBoost 版本升级到较新的版本之一。

注意

SageMaker 不支持 XGBoost v1.1，因为当测试输入的特征少于 LIBSVM 输入中的训练数据时，XGBoost 1.1 的运行预测的功能会崩溃。此功能已在 XGBoost v1.2 中恢复。考虑使用 SageMaker XGBoost 1.2-2 或更高版本。

如何使用 SageMaker XGBoost

借助 SageMaker，您可以使用 XGBoost 作为内置算法或框架。通过将 XGBoost 用作框架，您可以自定义自己的训练脚本，从而具有更大的灵活性并可以访问更高级的方案（例如 k 折交叉验证）。以下部分介绍如何将 XGBoost 与 SageMaker Python SDK 结合使用。有关如何通过 Amazon SageMaker Studio UI 使用 XGBoost 的信息，请参阅 SageMaker JumpStart。

使用 XGBoost 作为框架

使用 XGBoost 作为框架来运行可以将附加数据处理合并到训练作业中的自定义训练脚本。在下面的代码示例中，您将了解 SageMaker Python SDK 如何提供 XGBoost API 作为框架，该方法与其提供其他框架 API（如 TensorFlow、MXNet 和 PyTorch）的方法相同。


import boto3
import sagemaker
from sagemaker.xgboost.estimator import XGBoost
from sagemaker.session import Session
from sagemaker.inputs import TrainingInput

# initialize hyperparameters
hyperparameters = {
        "max_depth":"5",
        "eta":"0.2",
        "gamma":"4",
        "min_child_weight":"6",
        "subsample":"0.7",
        "verbosity":"1",
        "objective":"reg:squarederror",
        "num_round":"50"}

# set an output path where the trained model will be saved
bucket = sagemaker.Session().default_bucket()
prefix = 'DEMO-xgboost-as-a-framework'
output_path = 's3://{}/{}/{}/output'.format(bucket, prefix, 'abalone-xgb-framework')

# construct a SageMaker XGBoost estimator
# specify the entry_point to your xgboost training script
estimator = XGBoost(entry_point = "your_xgboost_abalone_script.py", 
                    framework_version='1.7-1',
                    hyperparameters=hyperparameters,
                    role=sagemaker.get_execution_role(),
                    instance_count=1,
                    instance_type='ml.m5.2xlarge',
                    output_path=output_path)

# define the data type and paths to the training and validation datasets
content_type = "libsvm"
train_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'train'), content_type=content_type)
validation_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'validation'), content_type=content_type)

# execute the XGBoost training job
estimator.fit({'train': train_input, 'validation': validation_input})

有关使用 SageMaker XGBoost 作为框架的端到端示例，请参阅使用 Amazon SageMaker XGBoost 进行回归。

使用 XGBoost 作为内置算法

使用 XGBoost 内置算法构建 XGBoost 训练容器，如以下代码示例所示。您可以使用 SageMaker image_uris.retrieve API 自动发现 XGBoost 内置算法映像 URI API（如果使用 Amazon SageMaker Python SDK 版本 1，则为 get_image_uri API)。如果要确保 image_uris.retrieve API 找到正确的 URI，请参阅内置算法的常用参数，并从内置算法映像 URI 和可用区域的完整列表中查找 xgboost。

指定 XGBoost 映像 URI 后，您可以使用 XGBoost 容器通过 SageMaker Estimator API 构建评估程序并启动训练作业。此 XGBoost 内置算法模式不包含您自己的 XGBoost 训练脚本，而是直接在输入数据集上运行。

重要


import sagemaker
import boto3
from sagemaker import image_uris
from sagemaker.session import Session
from sagemaker.inputs import TrainingInput

# initialize hyperparameters
hyperparameters = {
        "max_depth":"5",
        "eta":"0.2",
        "gamma":"4",
        "min_child_weight":"6",
        "subsample":"0.7",
        "objective":"reg:squarederror",
        "num_round":"50"}

# set an output path where the trained model will be saved
bucket = sagemaker.Session().default_bucket()
prefix = 'DEMO-xgboost-as-a-built-in-algo'
output_path = 's3://{}/{}/{}/output'.format(bucket, prefix, 'abalone-xgb-built-in-algo')

# this line automatically looks for the XGBoost image URI and builds an XGBoost container.
# specify the repo_version depending on your preference.
xgboost_container = sagemaker.image_uris.retrieve("xgboost", region, "1.7-1")

# construct a SageMaker estimator that calls the xgboost-container
estimator = sagemaker.estimator.Estimator(image_uri=xgboost_container, 
                                          hyperparameters=hyperparameters,
                                          role=sagemaker.get_execution_role(),
                                          instance_count=1, 
                                          instance_type='ml.m5.2xlarge', 
                                          volume_size=5, # 5 GB 
                                          output_path=output_path)

# define the data type and paths to the training and validation datasets
content_type = "libsvm"
train_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'train'), content_type=content_type)
validation_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'validation'), content_type=content_type)

# execute the XGBoost training job
estimator.fit({'train': train_input, 'validation': validation_input})

有关如何将 XGBoost 设置为内置算法的更多信息，请参阅以下笔记本示例。

XGBoost 算法的输入/输出接口

梯度提升对表格数据进行操作，其中行表示观察、一个列表示目标变量或标签，其余列表示特征。

XGBoost 的 SageMaker 实施支持使用以下数据式进行训练和推理：

text/libsvm（默认）
text/csv
application/x-parquet
application/x-recordio-protobuf

注意

关于训练和推理输入，有几个事项需要注意：

对于使用列式输入的训练，算法会假定目标变量（标签）是第一列。对于推理，算法会假定输入没有标签列。
对于 CSV 数据，输入不应有标题记录。
对于 LIBSVM 训练，算法假定标签列后面的列包含特征的索引值对，索引从零开始。因此，每一行的格式为：<label> <index0>:<value0> <index1>:<value1>。
有关实例类型和分布式训练的信息，请参阅 XGBoost 算法的 EC2 实例推荐。

对于 CSV 训练输入模式，可用于算法的总内存 (实例计数 * InstanceType 中的可用内存) 必须能够容纳训练数据集。对于 libsvm 训练输入模式，它不是必需的，但我们建议使用它。

对于 v1.3-1 及更高版本，SageMaker XGBoost 使用 Booster.save_model，以 XGBoost 内部二进制格式保存模型。以前的版本使用 Python pickle 模块对模型进行序列化/反序列化。

注意

在开源 XGBoost 中使用 SageMaker XGBoost 模型时，请注意版本。版本 1.3-1 及更高版本使用 XGBoost 内部二进制格式，而之前的版本使用 Python pickle 模块。

在开源 XGBoost 中使用通过 SageMaker XGBoost v1.3-1 或更高版本训练的模型

使用以下 Python 代码：


import xgboost as xgb

xgb_model = xgb.Booster()
xgb_model.load_model(model_file_path)
xgb_model.predict(dtest)

在开源 XGBoost 中使用通过以前版本的 SageMaker XGBoost 训练的模型

使用以下 Python 代码：


import pickle as pkl 
import tarfile

t = tarfile.open('model.tar.gz', 'r:gz')
t.extractall()

model = pkl.load(open(model_file_path, 'rb'))

# prediction with test data
pred = model.predict(dtest)

使用实例权重支持区分标记数据点的重要性

SageMaker XGBoost 让客户能够通过向各个实例分配权重值来区分标注数据点的重要性。对于 text/libsvm 输入，客户可以通过在标签之后附加权重值，将权重值分配给数据实例。例如，label:weight idx_0:val_0 idx_1:val_1...。对于 text/csv 输入，客户需要在参数中打开 csv_weights 标志，并将权重值附加到标签之后的列中。例如：label,weight,val_0,val_1,...。

XGBoost 算法的 EC2 实例推荐

SageMaker XGBoost 支持使用 CPU 和 GPU 实例进行训练和推理。实例建议取决于训练和推理需求，以及 XGBoost 算法的版本。有关更多信息，请选择以下选项之一：

CPU 训练
GPU 训练
分布式 CPU 训练
分布式 GPU 训练
推理

训练

SageMaker XGBoost 算法支持 CPU 和 GPU 训练。

CPU 训练

SageMaker XGBoost 1.0-1 或更早版本仅使用 CPU 进行训练。它是一种内存限制型（而不是计算限制型）算法。因此，通用计算实例（例如 M5）是比计算优化的实例（例如 C4）更适合的选择。此外，我们建议您在选定的实例中有足够的总内存来保存训练数据。尽管它支持使用磁盘空间来处理无法放入主内存的数据 (libsvm 输入模式下可用的内核外功能)，但在磁盘上写入缓存文件会减慢算法处理时间。

GPU 训练

SageMaker XGBoost 版本 1.2-2 或更高版本支持 GPU 训练。尽管每实例成本较高，但 GPU 训练的速度更快，因此更经济高效。

SageMaker XGBoost 版本 1.2-2 或更高版本支持 P2、P3、G4dn 和 G5 GPU 实例系列。

SageMaker XGBoost 版本 1.7-1 或更高版本支持 P3、G4dn 和 G5 GPU 实例系列。请注意，由于计算容量要求，1.7-1 或更高版本不支持 P2 实例系列。

要利用 GPU 训练，请将实例类型指定为 GPU 实例之一（例如 P3），然后在您现有的 XGBoost 脚本中，将 tree_method 超参数设置为 gpu_hist。

分布式训练

SageMaker XGBoost 支持使用 CPU 和 GPU 实例进行分布式训练。

分布式 CPU 训练

要在多个实例上运行 CPU 训练，请将估算器的 instance_count 参数设置为大于 1 的值。输入数据必须按照实例总数进行划分。

在实例之间划分输入数据

使用以下步骤划分输入数据：

将输入数据分解成较小的文件。文件数量至少应等于用于分布式训练的实例数。相比一个大文件，使用多个较小的文件还可以缩短训练作业的数据下载时间。
创建 TrainingInput 时，将分布参数设置为 ShardedByS3Key。在训练作业中指定了 n 个实例时，此参数可确保每个实例获得 S3 中文件数的大约 1/n。

分布式 GPU 训练

您可以使用单 GPU 或多 GPU 实例进行分布式训练。

使用单 GPU 实例进行分布式训练

SageMaker XGBoost 版本 1.2-2 至 1.3-1 仅支持单 GPU 实例训练。这意味着即使您选择多 GPU 实例，每个实例也只能使用一个 GPU。

如果您使用 XGBoost 版本 1.2-2 到 1.3-1，或者您不需要使用多 GPU 实例，则必须按照实例总数来划分输入数据。有关更多信息，请参阅在实例之间划分输入数据。

注意

即使您选择多 GPU 实例，SageMaker XGBoost 版本 1.2-2 到 1.3-1 也只能为每个实例使用一个 GPU。

使用多 GPU 实例进行分布式训练

从版本 1.5-1 开始，SageMaker XGBoost 通过 Dask 提供分布式 GPU 训练。通过 Dask，您可以在使用一个或多个多 GPU 实例时使用所有 GPU。使用单 GPU 实例时，Dask 也可以使用。

通过以下步骤使用 Dask 进行训练：

对于 TrainingInput，省略 distribution 参数或者将其设置为 FullyReplicated。
定义超参数时，请将 use_dask_gpu_training 设置为 "true"。

重要

使用 Dask 进行分布式训练时，仅支持 CSV 和 Parquet 输入格式。如果您使用其他数据格式，例如 LIBSVM 或 PROTOBUF，则训练作业将失败。

对于 Parquet 数据，请确保按照字符串格式保存列名。列名使用其他数据类型的列将无法加载。

重要

使用 Dask 进行分布式训练不支持管道模式。如果指定了管道模式，则训练作业将失败。

使用 Dask 训练 SageMaker XGBoost 时，需要注意一些事项。请确保将数据拆分成较小的文件。Dask 将每个 Parquet 文件作为一个分区读取。每个 GPU 都有一个 Dask 工作线程，因此文件数应大于 GPU 的总数（实例数 * 每个实例的 GPU 数）。文件数量过大也会降低性能。有关更多信息，请参阅 Dask 最佳实践。

输出中的变化

指定的 tree_method 超参数决定了用于 XGBoost 训练的算法。树方法 approx、hist 和 gpu_hist 都是近似方法，使用 Sketching 进行分位数计算。有关更多信息，请参阅 XGBoost 文档中的树方法。Sketching 是一种近似算法。因此，根据各种因素（例如为分布式训练选择的工作线程数），预期模型中会出现变化。变化的重要性取决于数据。

推理

SageMaker XGBoost 支持使用 CPU 和 GPU 实例进行推理。有关用于推理的实例类型的信息，请参阅 Amazon SageMaker ML 实例类型。

XGBoost 示例笔记本

下表概述了解决 Amazon SageMaker XGBoost 算法的不同使用场景的各种示例笔记本。

笔记本标题	描述
如何创建自定义 XGBoost 容器？	本笔记本向您展示了如何使用 Amazon SageMaker 批量转换构建自定义 XGBoost 容器。
使用 Parquet 通过 XGBoost 进行回归	本笔记本演示如何使用 Parquet 格式的 Abalone 数据集来训练 XGBoost 模型。
如何训练和托管多元分类模型？	本笔记本展示了如何使用 MNIST 数据集训练和托管多元分类模型。
如何训练客户流失预测模型？	本笔记本演示了如何训练模型来预测移动客户流失，以确定不满意的客户。
用于 XGBoost 训练的 Amazon SageMaker 托管竞价型基础设施简介	本笔记本演示如何使用竞价型实例训练 XGBoost 容器。
如何使用 Amazon SageMaker Debugger 调试 XGBoost 训练作业？	本笔记本演示如何通过 Amazon SageMaker Debugger，使用内置调试规则来监控训练作业，以检测不一致的地方。
如何使用 Amazon SageMaker Debugger 实时调试 XGBoost 训练作业？	本笔记本演示了在训练作业运行时，如何使用 MNIST 数据集和 Amazon SageMaker Debugger 对 XGBoost 训练作业执行实时分析。

有关如何创建和访问可用于在 SageMaker 中运行示例的 Jupyter 笔记本实例的说明，请参阅 Amazon SageMaker 笔记本实例。创建笔记本实例并将其打开后，选择 SageMaker 示例选项卡以查看所有 SageMaker 示例的列表。使用线性学习算法的主题建模示例笔记本位于 Amazon 算法简介部分中。要打开笔记本，请选择其 Use (使用) 选项卡，然后选择 Create copy (创建副本)。

Javascript 在您的浏览器中被禁用或不可用。

要使用 Amazon Web Services 文档，必须启用 Javascript。请参阅浏览器的帮助页面以了解相关说明。

模型优化

工作方式