ステップ 5: モデルを Amazon EC2 にデプロイする

予測を行うには、Amazon を使用して Amazon SageMaker EC2 にモデルをデプロイします。

SageMaker モデルをホスティングサービスにデプロイします。

Amazon を使用して Amazon EC2 を通じてモデルをホストするには SageMaker、トレーニングジョブを作成して実行するdeployxgb_modelエスティメーターのメソッドを呼び出して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に、エンドポイントをホストするのに使用する EC2 機械学習インスタンスの数とタイプを指定します。

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。XGBoost アルゴリズムでは CSV 形式の入力ファイルを使用できるため、このファイルを使用します。

deployこのメソッドは、デプロイ可能なモデルを作成し、 SageMakerホスティングサービスのエンドポイントを設定し、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 SageMaker SDK の汎用エスティメーター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 Notebook インスタンスの他の場所で再利用したりリアルタイム予測を行ったりできます。 SageMaker

ヒント

Amazon EC2 インスタンスやエッジデバイスにデプロイするの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 でモデルをコンパイルしてデプロイする」を参照してください。

(オプション) SageMaker Predictor 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ら、 SageMaker エンドポイントをペアリングして新しい予測変数を設定し、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。次のコード例は、 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 SageMaker Python SDK SageMaker のプレディクタークラスを参照してください。

(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、バッチトランスフォームを使用してテストデータセットの予測を行うことができます。 SageMaker モデルトレーニングが完了したら、推定器を Transformer transformer クラスに基づくオブジェクトに拡張できます。SageMaker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. バッチ変換ジョブの入力および出力の S3 バケット URI を、次に示すように指定します。

   # 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、 SageMaker test.csv.outbatch_outputパスに保存された予測データが以下の形式で作成されます。s3://sagemaker-<region>-111122223333/demo-sagemaker-xgboost-adult-income-prediction/batch-prediction AWS CLI 以下を実行して、バッチ変換ジョブの出力データをダウンロードします。

   ! 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値を確認できます。