XGBoost - Bài 11: Train XGBoost model trên AWS

0 Shares

Post Views: 819

Thư viện XGBoost được thiết kế để tận dụng tối đa sức mạnh của phần cứng hệ thống, bao gồm tất cả CPU cores và bộ nhớ. Trong bài viết này, ta sẽ cùng nhau tìm hiểu cách thiết lập một server trên AWS để train XGBoost model, sao cho vừa nhanh, vừa rẻ! 😀

Bài viết gồm 4 phần:

Tạo tài khoản AWS
Chạy AWS EC2 Instance
Kết nối đến EC2 Instance và chạy code
train XGBoost model
Đóng AWS EC2 Instance

Chú ý quan trọng: Sẽ mất khoảng 1-2$ chi phí để sử dụng các dịch vụ của AWS trong bài viết này.

1. Tạo tài khoản AWS

(Nếu bạn đã có tài khoản AWS, hãy bỏ qua bước này!)

Truy cập vào màn hình console của AWS. Tại đây ta có thể đăng nếu đã có tài khoản hoặc đăng ký tài khoản mới nếu chưa có.

Bạn cần cung cấp một số thông tin cần thiết, và đặc biệt là phải có một thẻ credit còn hiệu lực để có thể tiến hành tạo tài khoản. Các công đoạn khác, hãy làm theo chỉ dần trên màn hình.

2. Chạy AWS EC2 Instance

Chúng ta sẽ sử dụng dịch vụ EC2 để chạy XGBoost.

Đăng nhập vào AWS console. Sau khi đăng nhập thành công, danh sách các dịch vụ của AWS sẽ hiển thị.
Chọn EC2.

Click vào nút Launch EC2 Instance.
Click vào Community AMIs

Nhập ami-1c40bf7d vào Search community AMIs và chọn Select.

Chọn EC2 Instance type là r4.8xlarge (32 cores CPU).
Click Review and Launch.
Click Launch.
Chọn Create a new key pair, điền tên của key là xgboost-key và click Download Key Pair`.

Lưu file key vào máy tính ở local, sau đó click Launch EC2 Instances.

Click View EC2 Instances.
Chờ khoảng 3 phút và kiểm tra trạng thái của EC2 Instance.

Nếu trạng thái là Running thì tức là đã tạo EC2 Instance thành công.
Ta cũng để ý thấy địa chỉ public IP của EC2 Instance là: 54.92.106.10. Tiếp theo ta sẽ sử dụng địa chỉ này để kết nối đến EC2 Instance từ localhost thông qua giao thức SSH.

3. Kết nối đến EC2 Instance và chạy code

3.1 Kết nối đến EC2 Instance qua giao thức ssh

Trên máy tính local (mình dùng Ubuntu), mở cửa sổ Terminal và gõ lệnh:
```
$ cd Documents #Thư mục chứa key file
$ chmod 600 xgboost-key.pem
$ ssh -i xgboost.pem fedora@54.92.106.10
```
Nếu đây là lần đầu kết nối đến EC2 Instance, sẽ có 1 cảnh báo xuất hiện. Gõ yes.

Nếu kết nối thành công, màn hình Terminal sẽ xuất hiện như sau:

Kiểm ra số lượng CPU cores
```
$cat /proc/cpuinfo | grep processor | wc -l
```
Kết quả:
```
32
```
3.2 Cài đặt các thư viện cần thiết

Cài đặt GCC, Python và SciPy

sudo dnf install gcc gcc-c++ make git unzip python python3-numpy python3-scipy
python3-scikit-learn python3-pandas python3-matplotlib

Cài đặt Cmake

XGBoost yêu cầu cmake >= 3.13. Nếu bạn cài bằng bằng lệnh dnf install cmake thì phiên bản của make la 3.9. Để cài cmake >= 3.13, bạn phải cài build từ source.

$ wget https://github.com/Kitware/CMake/releases/download/v3.15.2/cmake-3.15.2.tar.gz
$ tar -zxvf cmake-3.15.2.tar.gz
$ cd cmake-3.15.2
$ ./bootstrap
$ make
$ sudo make install

Kiểm tra GCC:

$gcc --version

Kết quả:

[fedora@ip-172-31-37-253 ~]$ gcc --version
gcc (GCC) 6.3.1 20161221 (Red Hat 6.3.1-1)

Kiểm tra Python:

$ python3 --version

Kết quả:

Python 3.5.1

Kiểm tra SciPy:

$ python3 -c "import scipy;print(scipy.__version__)"
$ python3 -c "import numpy;print(numpy.__version__)"
$ python3 -c "import pandas;print(pandas.__version__)"
$ python3 -c "import sklearn;print(sklearn.__version__)"

Kết quả:

0.16.1
1.11.0
0.18.0
0.17.1

Kiểm tra Cmake

$ cmake --version

Kết quả:

3.15.1

3.3. Cài đặt thư viện XGBoost

$ pip3 install xgboost==1.1

Tại thời điểm viết bài, phiên bản mới nhất của xgboost là 1.2. Nhưng vì phiên bản của python=3.5 nên bạn chỉ có thể sử dụng được phiên bản 1.1 của xgboost.

Kiểm tra:

$ python3 -c "import xgboost;print(xgboost.__version__)"

Kết quả:

1.1.0

4. Train XGBoost model

Tương tự như ở bài 9, chúng ta cũng sẽ sử dụng Otto dataset để kiểm tra khả năng của XGBoost model theo số lượng cores của CPU.

Tạo thư mục xgboost trên máy local, tạo file check_num_threads.py với code như sau:

# Otto multi-core test
from pandas import read_csv
from xgboost import XGBClassifier
from sklearn.preprocessing import LabelEncoder
from time import time
# load data
data = read_csv('train.csv')
dataset = data.values
# split data into X and y
X = dataset[:,0:94]
y = dataset[:,94]
# encode string class values as integers
label_encoded_y = LabelEncoder().fit_transform(y)
# evaluate the effect of the number of threads
results = []
num_threads = [1, 16, 32]
for n in num_threads:
start = time()
model = XGBClassifier(nthread=n)
model.fit(X, label_encoded_y)
elapsed = time() - start
print(n, elapsed)
results.append(elapsed)

Copy file train.csv ở bài trước vào thư mục xgboost.

Tại cửa sổ Terminal của máy local, copy thư mục xgboost lên EC2 Instance:
```
$ scp -i xgboost-key.pem -r xgboost fedora@54.92.106.10:/home/fedora
```
Tại của sổ Terminal kết nôi tới EC2 Instance, tiến hành chạy code:
```
$ cd xgboost
python3 check_num_threads.py
```
Kết quả thu được:
```
1 70.75178146362305
16 6.106862545013428
32 5.045598745346069
```
Sử dụng 32 cores, mất 5s để train XGBoost model với tập dữ liệu tương đối lớn. Đây quả là một kết quả ấn tượng. 😀

Bonus:: Trong trường hợp việc train model mất nhiều thời gian hơn mà chẳng may bạn bị mất kết nối đến EC2 Instance giữa chừng thì thế nào? Bạn phải chạy train lại từ đầu ư? Quả là mất thời gian phải không? Giải pháp để ngăn chặn tình huống này, hoặc là bạn chạy lệnh train ở chế độ background process và ghi kết quả ra một file như lệnh sau:

$ nohup python script.py >script.py.out 2>&1 &

hoặc bạn cũng có thể sử dụng Tmux.

5. Tắt EC2 EC2 Instance

Tiết kiệm là quốc sách hàng đầu, hãy luôn nhớ tắt EC2 EC2 Instance mỗi khi sử dụng xong. Bản thân mình đã từng một lần quên không tắt trong vài ngày. Kết quả là con số trên hóa đơn AWS tháng đó làm mình buồn mất cả tuần, :).

Để tắt EC2 EC2 Instance, đơn giản là làm theo như hình vẽ sau:

Chọn 1->2->3 nếu bạn muốn tắt tạm thời (khi nào muốn dùng thì khởi động lên).
Chọn 1->2->4 nếu bạn muốn xóa hẳn EC2 EC2 Instance này.

6. Kết luận

Trong bài viết này, chúng ta đã tìm hiểu cách cài đặt vào cấu hình EC2 Instance để train XGBoost model trên AWS.

Bài viết tiếp theo sẽ thiên về lý thuyết một chút, chúng ta sẽ tìm hiểu cách cấu hình hyper-parameters cho gradient boosting model. Hãy cùng đón đọc! 🙂

Toàn bộ source code của bài này các bạn có thể tham khảo trên github cá nhân của mình tại github.

Xem bài viết gốc tại đây.