ステップ 5: Amazon にモデルをデプロイする EC2

予測を取得するには、Amazon EC2を使用してモデルを Amazon にデプロイします SageMaker。

SageMaker ホスティングサービスへのモデルのデプロイ

Amazon EC2を使用して Amazon を介してモデルをホストするには SageMaker、推定器の deployメソッドを呼び出しトレーニングジョブを作成して実行するて、 xgb_model でトレーニングしたモデルをデプロイします。deploy メソッドを呼び出すときは、エンドポイントのホストに使用する ML EC2 インスタンスの数とタイプを指定する必要があります。

import sagemaker
from sagemaker.serializers import CSVSerializer
xgb_predictor=xgb_model.deploy(
    initial_instance_count=1,
    instance_type='ml.t2.medium',
    serializer=CSVSerializer()
)

• initial_instance_count (int) - モデルをデプロイするインスタンスの数。

• instance_type (str) - デプロイされたモデルを操作するインスタンスのタイプ。

• serializer (int) – さまざまな形式 ( NumPy 配列、リスト、ファイル、バッファ) の入力データを CSV形式の文字列にシリアル化します。これは、XGBoostアルゴリズムが CSV 形式の入力ファイルを受け入れるために使用します。

deploy メソッドは、デプロイ可能なモデルを作成し、ホスティングサービスエンドポイントを設定し SageMaker、モデルをホストするエンドポイントを起動します。詳細については、Amazon SageMaker Python SDK SageMaker の汎用推定器のデプロイクラスメソッドを参照してください。deploy メソッドで生成されたエンドポイントの名前を取得するには、次のコードを実行します。

xgb_predictor.endpoint_name

これにより xgb_predictor のエンドポイント名が返されます。エンドポイント名の形式は "sagemaker-xgboost-YYYY-MM-DD-HH-MM-SS-SSS" になります。このエンドポイントは機械学習インスタンスでアクティブなままとなるため、後でシャットダウンしない限り、いつでも瞬時に予測を行うことができます。このエンドポイント名をコピーして保存し、 SageMaker Studio または SageMakerノートブックインスタンスの他の場所で再利用してリアルタイム予測を行います。

ヒント

Amazon EC2インスタンスまたはエッジデバイスにデプロイするためのモデルのコンパイルと最適化の詳細については、「Neo によるモデルのコンパイルとデプロイ」を参照してください。

（オプション) SageMaker 予測子を使用してホストされたエンドポイントを再利用する

モデルをエンドポイントにデプロイした後、エンドポイントをペアリングして新しい SageMaker 予測子を設定し、他のノートブックで継続的にリアルタイム予測を行うことができます。次のサンプルコードは、 SageMaker Predictor クラスを使用して、同じエンドポイントを使用して新しい予測子オブジェクトを設定する方法を示しています。xgb_predictor に使用したエンドポイント名を再利用します。

import sagemaker
xgb_predictor_reuse=sagemaker.predictor.Predictor(
    endpoint_name="sagemaker-xgboost-YYYY-MM-DD-HH-MM-SS-SSS",
    sagemaker_session=sagemaker.Session(),
    serializer=sagemaker.serializers.CSVSerializer()
)

xgb_predictor_reuse 予測子はオリジナルの xgb_predictor とまったく同じ動作をします。詳細については、Amazon Python のSageMaker 「Predictor クラス」を参照してください。 SageMaker SDK

(オプション) バッチ変換を使用して予測を行う

本番環境でエンドポイントをホストする代わりに、1 回限りのバッチ推論ジョブを実行して、 SageMaker バッチ変換を使用してテストデータセットで予測を行うことができます。モデルトレーニングが完了したら、SageMakerTransformer クラスに基づく transformer オブジェクトに推定器を拡張できます。バッチトランスフォーマーは、指定された S3 バケットの入力データを読み込み、予測を行います。

バッチ変換ジョブを実行するには

1. 次のコードを実行して、テストデータセットの特徴列を CSV ファイルに変換し、S3 バケットにアップロードします。

   X_test.to_csv('test.csv', index=False, header=False)
   
   boto3.Session().resource('s3').Bucket(bucket).Object(
   os.path.join(prefix, 'test/test.csv')).upload_file('test.csv')

2. 次に示すように、バッチ変換ジョブの入力と出力URIsの S3 バケットを指定します。

   # The location of the test dataset
   batch_input = 's3://{}/{}/test'.format(bucket, prefix)
   
   # The location to store the results of the batch transform job
   batch_output = 's3://{}/{}/batch-prediction'.format(bucket, prefix)

3. パラメータの最小数を指定する transformer オブジェクトを作成します。次に示すように、instance_count と instance_type のパラメータはバッチ変換ジョブを実行するためのパラメータであり、output_path は予測データを保存するためのパラメータです。

   transformer = xgb_model.transformer(
       instance_count=1, 
       instance_type='ml.m4.xlarge', 
       output_path=batch_output
   )

4. 次に示すように、transformer オブジェクトの transform() メソッドを実行して、バッチ変換ジョブを開始します。

   transformer.transform(
       data=batch_input, 
       data_type='S3Prefix',
       content_type='text/csv', 
       split_type='Line'
   )
   transformer.wait()

5. バッチ変換ジョブが完了すると、 はbatch_outputパスに保存されたtest.csv.out予測データ SageMaker を作成します。これは の形式である必要がありますs3://sagemaker-<region>-111122223333/demo-sagemaker-xgboost-adult-income-prediction/batch-prediction。以下を実行します。 AWS CLI バッチ変換ジョブの出力データをダウンロードするには：

   ! aws s3 cp {batch_output} ./ --recursive

   これにより、現在の作業ディレクトリの下に test.csv.out ファイルが作成されます。XGBoost トレーニングジョブのロジスティック回帰に基づいて予測される浮動小数点値を確認できます。