XGBoost 架構處理器

XGBoost 是開放原始碼機器學習架構。Amazon SageMaker Python XGBoostProcessor中的 SDK可讓您使用XGBoost指令碼執行處理任務。使用 時XGBoostProcessor，您可以利用具有受管XGBoost環境的 Amazon 建置 Docker 容器，這樣就不需要自帶容器。

下列程式碼範例示範如何使用 ，使用 提供的 Docker 映像XGBoostProcessor來執行處理工作 SageMaker。請注意，執行任務時，您可以在source_dir引數中指定包含指令碼和相依性的目錄，而且您可以在source_dir目錄中擁有一個requirements.txt檔案，用於指定處理指令碼的相依性 （這些）。 SageMaker 處理會在requirements.txt容器中為您安裝相依性。

from sagemaker.xgboost import XGBoostProcessor
from sagemaker.processing import ProcessingInput, ProcessingOutput
from sagemaker import get_execution_role

#Initialize the XGBoostProcessor
xgb = XGBoostProcessor(
    framework_version='1.2-2',
    role=get_execution_role(),
    instance_type='ml.m5.xlarge',
    instance_count=1,
    base_job_name='frameworkprocessor-XGB',
)

#Run the processing job
xgb.run(
    code='processing-script.py',
    source_dir='scripts',
    inputs=[
        ProcessingInput(
            input_name='data',
            source=f's3://{BUCKET}/{S3_INPUT_PATH}',
            destination='/opt/ml/processing/input/data'
        )
    ],
    outputs=[
        ProcessingOutput(
            output_name='processed_data',
            source='/opt/ml/processing/output/',
            destination=f's3://{BUCKET}/{S3_OUTPUT_PATH}'
        )
    ]
)

如果您有一個 requirements.txt 檔案，該檔案應該會是您要在容器中安裝的程式庫清單。的路徑source_dir可以是相對、絕對或 Amazon S3 URI 路徑。不過，如果您使用 Amazon S3 URI，則必須指向 tar.gz 檔案。您可以在為 source_dir 指定的目錄中擁有多個指令碼。若要進一步了解 XGBoostProcessor類別，請參閱 Amazon SageMaker Python SDK中的XGBoost估算器。