SageMaker | 自動化更進一步，ML模型也能本身生成

機器學習技術讓本來不少繁瑣、耗時的操做都能自動實現，大幅提高工做和生活效率，然而爲了實現這一點，首先須要有足夠高質量的 ML 模型，要想得到這東西可並不容易。

1959年，Arthur Samuel 將機器學習定義爲讓計算機可以無需明確編程而進行學習。在實踐中，這意味着要找到一種算法，能夠從現有數據集中提取模式，而後使用這些模式來構建可很好地泛化到新數據的預測模型。從那時起，人們發明了許多機器學習算法，爲科學家和工程師提供了充足地選擇，幫助他們構建了驚人的應用程序。

可是豐富的算法也帶來了一個難題：應該選擇哪一種算法？如何可靠地找出哪一種算法在特定業務問題上表現最佳？此外，機器學習算法一般會列出很長的訓練參數（也稱爲超參數），若是想從模型中得到全部額外精度，則須要將其設置爲「恰好合適」。更糟糕的是，算法還須要以特定方式（也稱爲特徵工程）準備和轉換數據，才能實現最佳學習效果，而且咱們還須要選擇最佳實例類型。

因此實際上，「無需明確編程」這一點到底體如今哪？

體如今最近正式發佈的 Amazon SageMaker Autopilot 中！該功能能夠在徹底控制和可見的狀況下，自動建立最佳分類和迴歸機器學習模型。

認識一下：Amazon SageMaker Neo

經過使用單個 API 調用或在 Amazon SageMaker Studio 中單擊幾下，SageMaker Autopilot 首先會檢查數據集，並運行大量候選項以找出數據預處理步驟、機器學習算法和超參數的最佳組合。而後，它將使用這種組合來訓練推斷管道，咱們能夠輕鬆地將其部署在實時終端節點上或進行批處理。與 Amazon SageMaker 同樣，全部這些操做都在徹底託管的基礎設施上進行。

最後一樣重要的是：SageMaker Autopilot 還會生成 Python 代碼，確切顯示數據的預處理方式：咱們不只能夠了解 SageMaker Autopilot 的工做方式，若是願意，還能夠從新使用該代碼進行進一步的手動調整。
截止目前，SageMaker Autopilot 支持：

• 表格格式的輸入數據，以及自動數據清理和預處理
• 用於線性迴歸、二進制分類和多級分類的自動算法選擇
• 自動超參數優化
• 分佈式訓練
• 自動實例和集羣大小選擇

將 AutoML 與 Amazon SageMaker Autopilot 配合使用

讓咱們以這個筆記本示例爲起點：藉此創建一個二進制分類模型，預測客戶是接受仍是拒絕營銷報價。請花幾分鐘閱讀，你們會發現業務問題自己很容易理解，數據集既不大也不復雜。可是須要幾個非直觀的預處理步驟，還須要挑選算法及其參數。而 SageMaker Autopilot 能夠解決這一難題！

首先獲取數據集的副本，快速瀏覽前幾行：

隨後將其上傳到 Amazon Simple Storage Service（S3）中，但不進行任何預處理。

sess.upload_data(path="automl-train.csv", key_prefix=prefix + "/input")
 
's3://sagemaker-us-west-2-123456789012/sagemaker/DEMO-automl-dm/input/automl-train.csv'

隨後配置 AutoML 做業：

• 設置數據集的位置；
• 選擇我但願模型預測的目標屬性：在本例中，「y」列顯示客戶是否接受了報價；
• 設置訓練工件的位置。

input_data_config = [{
      'DataSource': {
        'S3DataSource': {
          'S3DataType': 'S3Prefix',
          'S3Uri': 's3://{}/{}/input'.format(bucket,prefix)
        }
      },
      'TargetAttributeName': 'y'
    }
  ]
 
output_data_config = {
    'S3OutputPath': 's3://{}/{}/output'.format(bucket,prefix)
  }

就這麼簡單！固然，隨着對於數據和模型的瞭解深刻，SageMaker Autopilot 的許多選項會派上用場，例如：

• 設置要訓練的問題類型：線性迴歸、二進制分類或多級分類。若是不肯定，SageMaker Autopilot 會經過分析目標屬性值自動找出類型；
• 使用特定指標進行模型評估；
• 定義完成標準：最長運行時間等。

不過有件事不須要咱們去作，那就是調整訓練集羣的大小，由於 SageMaker Autopilot 會使用基於數據大小和算法的啓發式方法！
無需配置，便可使用 CreateAutoMl API 啓動該做業：

auto_ml_job_name = 'automl-dm-' + timestamp_suffix
print('AutoMLJobName: ' + auto_ml_job_name)
 
sm.create_auto_ml_job(AutoMLJobName=auto_ml_job_name,
                      InputDataConfig=input_data_config,
                      OutputDataConfig=output_data_config,
                      RoleArn=role)
 
AutoMLJobName: automl-dm-28-10-17-49

做業分四個步驟運行（可使用 DescribeAutoMlJob API 查看）：

1. 將數據集分爲訓練集和驗證集
2. 分析數據，以便建議應在數據集上試用的管道
3. 特徵工程，將轉換應用於數據集和單個特徵
4. 管道選擇和超參數調整，選擇性能最高的管道以及用於訓練算法的最佳超參數

達到最大候選項數量（或其中一種中止條件）後，做業完成。隨後可使用 ListCandidatesForAutoMlJob API 獲取有關全部候選項的詳細信息，也能夠在 AWS 控制檯中查看。

candidates = sm.list_candidates_for_auto_ml_job(AutoMLJobName=auto_ml_job_name, SortBy='FinalObjectiveMetricValue')['Candidates']
index = 1
for candidate in candidates:
  print (str(index) + "  " + candidate['CandidateName'] + "  " + str(candidate['FinalAutoMLJobObjectiveMetric']['Value']))
  index += 1
 
1 automl-dm-28-tuning-job-1-fabb8-001-f3b6dead 0.9186699986457825
2 automl-dm-28-tuning-job-1-fabb8-004-03a1ff8a 0.918304979801178
3 automl-dm-28-tuning-job-1-fabb8-003-c443509a 0.9181839823722839
4 automl-dm-28-tuning-job-1-ed07c-006-96f31fde 0.9158779978752136
5 automl-dm-28-tuning-job-1-ed07c-004-da2d99af 0.9130859971046448
6 automl-dm-28-tuning-job-1-ed07c-005-1e90fd67 0.9130859971046448
7 automl-dm-28-tuning-job-1-ed07c-008-4350b4fa 0.9119930267333984
8 automl-dm-28-tuning-job-1-ed07c-007-dae75982 0.9119930267333984
9 automl-dm-28-tuning-job-1-ed07c-009-c512379e 0.9119930267333984
10 automl-dm-28-tuning-job-1-ed07c-010-d905669f 0.8873512744903564

目前，假設咱們只對最佳試驗感興趣：驗證準確率爲91.87％。讓咱們將其部署到 SageMaker 終端節點，就像部署任何模型同樣：

• 建立模型
• 建立終端節點配置
• 建立終端節點

model_arn = sm.create_model(Containers=best_candidate['InferenceContainers'],
                            ModelName=model_name,
                            ExecutionRoleArn=role)
 
ep_config = sm.create_endpoint_config(EndpointConfigName = epc_name,
                                      ProductionVariants=[{'InstanceType':'ml.m5.2xlarge',
                                                           'InitialInstanceCount':1,
                                                           'ModelName':model_name,
                                                           'VariantName':variant_name}])
 
create_endpoint_response = sm.create_endpoint(EndpointName=ep_name,
                                              EndpointConfigName=epc_name)

幾分鐘後終端節點開始運行，隨後就能夠用它進行預測。這意味着 SageMaker 正常運行！

那麼模型的構建方式以及其餘候選項又有什麼用？下文將詳細介紹。

使用 Amazon SageMaker Autopilot 實現徹底可見和控制

SageMaker Autopilot 將訓練工件存儲在 S3 中，包括兩個自動生成的筆記本。

job = sm.describe_auto_ml_job(AutoMLJobName=auto_ml_job_name)
job_data_notebook = job['AutoMLJobArtifacts']['DataExplorationNotebookLocation']
job_candidate_notebook = job['AutoMLJobArtifacts']['CandidateDefinitionNotebookLocation']
 
print(job_data_notebook)
print(job_candidate_notebook)
 
s3://<PREFIX_REMOVED>/notebooks/SageMakerAutopilotCandidateDefinitionNotebook.ipynb
s3://<PREFIX_REMOVED>/notebooks/SageMakerAutopilotDataExplorationNotebook.ipynb

第一個筆記本包含有關數據集的信息：

第二個筆記本包含有關 SageMaker Autopilot 做業的完整詳細信息：候選項、數據預處理步驟等。全部代碼都可用，咱們能夠更改「旋鈕」以進行進一步的實驗。

如上圖所示，咱們能夠徹底控制和查看模型的構建方式。

Amazon SageMaker Autopilot 使機器學習比以往任什麼時候候都更加簡單易用。不管是剛開始機器學習，仍是經驗豐富的從業者，SageMaker Autopilot 均可以幫助咱們使用如下任一途徑更快更好地構建模型：

• Amazon SageMaker Studio 中的簡單無代碼路徑
• 使用 SageMaker Autopilot 開發工具包的簡單代碼路徑
• 候選項生成筆記本的深刻途徑

目前咱們能夠在如下區域使用 SageMaker Autopilot：

• 美國東部（弗吉尼亞北部）、美國東部（俄亥俄）、美國西部（加利福尼亞北部）、美國西部（俄勒岡）、
• 加拿大（中部）、南非（聖保羅）、
• 歐洲（愛爾蘭）、歐洲（倫敦）、歐洲（巴黎）、歐洲（法蘭克福）、
• 中東（巴林）、
• 亞太地區（孟買）、亞太地區（首爾）、亞太地區（新加坡）、亞太地區（悉尼）、亞太地區（東京）。