一篇文章带你了解在机器学习中 Amazon SageMaker Processing 如何处理数据。

Amazon SageMaker Processing 是 Amazon SageMaker 的一项新功能，可让您轻松地在完全托管的基础设施上运行预处理、后处理和模型评估工作负载。

训练准确的机器学习 (ML) 模型需要许多不同的步骤，但没有什么比预处理数据集更重要，例如：

  • 将数据集转换为您所使用的 ML 算法期望的输入格式，
  • 将现有功能转换为更具表现力的表示形式，例如一键编码分类功能，
  • 重新调整或归一化数值特征，
  • 设计高级功能，例如用 GPS 坐标替换邮寄地址，
  • 为自然语言处理应用程序清理和标记文本，
  • 等等！

这些任务包括在数据集上运行定制脚本（我被告知在没有月亮的天空下），并保存处理后的版本，以供以后的培训作业使用。如您所料，对 ML 团队来说，手动运行它们或必须构建和扩展自动化工具的前景并不令人兴奋。对于后处理作业（筛选、整理等）和模型评估作业（针对不同测试集对模型评分）而言，也是如此。

为解决此问题，我们构建了 Amazon SageMaker Processing。下面我来进行更多介绍。 

Amazon SageMaker Processing 简介

Amazon SageMaker Processing 推出了新的 Python 开发工具包，使数据科学家和 ML 工程师可以轻松地在 Amazon SageMaker 上运行预处理、后处理和模型评估工作负载。

该开发工具包使用 SageMaker 的内置容器来进行 scikit-learn，这可能是最受欢迎的数据集转换库之一。

如果您还需要其他工具，还可以使用自己的 Docker 映像，而不必遵循任何 Docker 映像规范：这为您提供了最大的灵活性，无论是在 SageMaker Processing 还是在 Amazon ECS 和 Amazon Elastic Kubernetes Service 之类的 AWS 容器服务上，甚至在内部，均是如此。

用 scikit-learn 快速演示怎么样？ 然后，我将简要讨论如何使用您自己的容器。当然，您可以在 Github 上找到完整的示例。

使用内置的 Scikit-Learn 容器预处理数据

以下是使用 SageMaker Processing 开发工具包来运行 scikit-learn 作业的方法。

首先，让我们创建一个 SKLearnProcessor 对象，传递要使用的 scikit-learn 版本以及对托管基础设施的要求。

from sagemaker.sklearn.processing import SKLearnProcessor
sklearn_processor = SKLearnProcessor(framework_version='0.20.0',
                                     role=role,
                                     instance_count=1,
                                     instance_type='ml.m5.xlarge')

然后，我们可以像下面这样，运行预处理脚本（稍后将介绍更多有关该操作的内容）：

  • 数据集 (dataset.csv) 将自动复制到目标目录 (/input) 下的容器内。如果需要，我们会添加其他输入。
  • 这是 Python 脚本 (preprocessing.py) 读取它的位置。我们也可以将命令行参数传递给脚本。
  • 脚本对命令行进行预处理，将其分为三种方式，然后将文件保存在容器中的 /opt/ml/processing/output/train、/opt/ml/processing/output/validation 和 /opt/ml/processing/output/test 下。
  • 作业完成后，所有输出将自动复制到 S3 中的默认 SageMaker 存储桶。
from sagemaker.processing import ProcessingInput, ProcessingOutput
sklearn_processor.run(
    code='preprocessing.py',
    # arguments = ['arg1', 'arg2'],
    inputs=[ProcessingInput(
        source='dataset.csv',
        destination='/opt/ml/processing/input')],
    outputs=[ProcessingOutput(source='/opt/ml/processing/output/train'),
        ProcessingOutput(source='/opt/ml/processing/output/validation'),
        ProcessingOutput(source='/opt/ml/processing/output/test')]
)

就这么简单！ 让我们通过查看预处理脚本的框架将所有内容放在一起。

import pandas as pd
from sklearn.model_selection import train_test_split
# Read data locally 
df = pd.read_csv('/opt/ml/processing/input/dataset.csv')
# Preprocess the data set
downsampled = apply_mad_data_science_skills(df)
# Split data set into training, validation, and test
train, test = train_test_split(downsampled, test_size=0.2)
train, validation = train_test_split(train, test_size=0.2)
# Create local output directories
try:
    os.makedirs('/opt/ml/processing/output/train')
    os.makedirs('/opt/ml/processing/output/validation')
    os.makedirs('/opt/ml/processing/output/test')
except:
    pass
# Save data locally
train.to_csv("/opt/ml/processing/output/train/train.csv")
validation.to_csv("/opt/ml/processing/output/validation/validation.csv")
test.to_csv("/opt/ml/processing/output/test/test.csv")
print('Finished running processing job')

快速浏览 S3 存储桶，确认文件已成功处理并保存。现在，我可以将它们直接用作 SageMaker 培训作业的输入。

$ aws s3 ls --recursive s3://sagemaker-us-west-2-123456789012/sagemaker-scikit-learn-2019-11-20-13-57-17-805/output
2019-11-20 15:03:22 19967 sagemaker-scikit-learn-2019-11-20-13-57-17-805/output/test.csv
2019-11-20 15:03:22 64998 sagemaker-scikit-learn-2019-11-20-13-57-17-805/output/train.csv
2019-11-20 15:03:22 18058 sagemaker-scikit-learn-2019-11-20-13-57-17-805/output/validation.csv

现在如何使用自己的容器？

使用自己的容器处理数据

比如说您想使用热门的 spaCy 库预处理文本数据。您可以使用以下方法为其定义一个普通 Docker 容器。

FROM python:3.7-slim-buster
# Install spaCy, pandas, and an english language model for spaCy.
RUN pip3 install spacy==2.2.2 && pip3 install pandas==0.25.3
RUN python3 -m spacy download en_core_web_md
# Make sure python doesn't buffer stdout so we get logs ASAP.
ENV PYTHONUNBUFFERED=TRUE
ENTRYPOINT ["python3"]

然后，您可以构建 Docker 容器，在本地进行测试，然后将其推送到我们的托管 Docker 注册表服务 Amazon Elastic Container Registry。

下一步，可以使用 ScriptProcessor 对象配置处理作业，并传递您已构建和推送的容器的名称。

from sagemaker.processing import ScriptProcessor
script_processor = ScriptProcessor(image_uri='123456789012.dkr.ecr.us-west-2.amazonaws.com/sagemaker-spacy-container:latest',
                role=role,
                instance_count=1,
                instance_type='ml.m5.xlarge')

最后，您可以像前面的示例一样运行该作业。

script_processor.run(code='spacy_script.py',
    inputs=[ProcessingInput(
        source='dataset.csv',
        destination='/opt/ml/processing/input_data')],
    outputs=[ProcessingOutput(source='/opt/ml/processing/processed_data')],
    arguments=['tokenizer', 'lemmatizer', 'pos-tagger']
)

其余过程与上述过程完全相同：将输入复制到容器内部，将输出从容器复制到 S3。

很简单，对不对？ 同样，我专注的是预处理，但是您可以运行类似的任务进行后处理和模型评估。不要忘记查看 Github 中的示例。