メインコンテンツまでスキップ

XGBoost モデルの分散トレーニング xgboost.spark

備考

プレビュー

この機能は パブリック プレビュー段階です。

Python パッケージ xgboost>=1.7 には、新しいモジュール xgboost.sparkが含まれています。 このモジュールには、 xgboost PySpark 推定器 xgboost.spark.SparkXGBRegressorxgboost.spark.SparkXGBClassifier、および xgboost.spark.SparkXGBRankerが含まれています。 これらの新しいクラスは、SparkML パイプラインに XGBoost 推定器を含めることをサポートしています。 API詳細については、XGBoost Python Spark API のドキュメントを参照してください。

必要条件

Databricks Runtime 12.0 ML 以降。

xgboost.spark パラメーター

xgboost.spark モジュールで定義された推定器は、標準 XGBoostで使用されるのと同じパラメーターと引数のほとんどをサポートします。

  • クラス コンストラクター、 fit メソッド、および predict メソッドのパラメーターは、 xgboost.sklearn モジュールのパラメーターとほぼ同じです。
  • 名前付け、値、およびデフォルトは、 XGBoost パラメーターで説明されているものとほぼ同じです。
  • 例外は、サポートされていないいくつかのパラメーター ( gpu_idnthreadsample_weighteval_setなど) と、追加された pyspark 推定器固有のパラメーター ( featuresCollabelColuse_gpuvalidationIndicatorColなど) です。 詳細については、 XGBoost Python Spark API のドキュメントを参照してください。

分散トレーニング

xgboost.sparkモジュールで定義されているPySpark推定器は、num_workersパラメーターを使用した分散XGBoostトレーニングをサポートします。分散トレーニングを使用するには、分類子またはリグレッサーを作成し、分散トレーニング中にnum_workersを並列実行中の Spark タスクの数に設定します。 すべての Spark タスク スロットを使用するには、 num_workers=sc.defaultParallelismを設定します。

例えば:

Python
from xgboost.spark import SparkXGBClassifier
classifier = SparkXGBClassifier(num_workers=sc.defaultParallelism)
注記
  • mlflow.xgboost.autolog は分散 XGBoost では使用できません。MLflow を使用して xgboost Spark モデルをログに記録するには、 mlflow.spark.log_model(spark_xgb_model, artifact_path)を使用します。
  • オートスケールが有効になっているクラスターでは、分散 XGBoost を使用することはできません。 このエラスティック スケーリング パラダイムで開始する新しいワーカー ノードは、新しいタスク セットを受け取ることができず、アイドル状態のままになります。 オートスケールを無効にする手順については、「 オートスケールを有効にする」を参照してください。

スパース特徴データセットでのトレーニングの最適化を有効にする

xgboost.sparkモジュールで定義されている PySpark Estimator は、スパース特徴を持つデータセットでのトレーニングの最適化をサポートします。スパース特徴セットの最適化を有効にするには、pyspark.ml.linalg.SparseVector 型の値で構成される features 列を含むデータセットを fit メソッドに提供し、推定器パラメーター の enable_sparse_data_optimTrueに設定する必要があります。さらに、 missing パラメーターを 0.0に設定する必要があります。

例えば:

Python
from xgboost.spark import SparkXGBClassifier
classifier = SparkXGBClassifier(enable_sparse_data_optim=True, missing=0.0)
classifier.fit(dataset_with_sparse_features_col)

GPU トレーニング

xgboost.sparkモジュールで定義されているPySpark推定器は、GPUでのトレーニングをサポートします。パラメーター use_gpuTrue に設定して、GPU トレーニングを有効にします。

注記

XGBoost 分散トレーニングで使用される Spark タスクごとに、 use_gpu 引数が Trueに設定されている場合、トレーニングで使用される GPU は 1 つだけです。 Databricks 、 Spark クラスター構成spark.task.resource.gpu.amountには、デフォルトの値 1 を使用することをお勧めします。 それ以外の場合、この Spark タスクに割り当てられた追加の GPU はアイドル状態になります。

例えば:

Python
from xgboost.spark import SparkXGBClassifier
classifier = SparkXGBClassifier(num_workers=sc.defaultParallelism, use_gpu=True)

トラブルシューティング

マルチノード トレーニング中に NCCL failure: remote process exited or there was a network error メッセージが表示された場合、通常は GPU 間のネットワーク通信に問題があることを示しています。 この問題は、NCCL (NVIDIA Collective Communications ライブラリ) が特定のネットワーク インターフェイスを GPU 通信に使用できない場合に発生します。

解決するには、クラスターの sparkConf for spark.executorEnv.NCCL_SOCKET_IFNAMEethに設定します。 これにより、基本的に、ノード内のすべてのワーカーの環境変数 THE NCCL_SOCKET_IFNAMEeth に設定されます。

ノートブックの例

このノートブックでは、Spark MLlib で xgboost.spark Python パッケージを使用する方法を示します。

PySpark-XGBoost ノートブック

Open notebook in new tab

非推奨の sparkdl.xgboost モジュールの移行ガイド

  • from sparkdl.xgboost import XgboostRegressorfrom xgboost.spark import SparkXGBRegressor に置き換え、from sparkdl.xgboost import XgboostClassifierfrom xgboost.spark import SparkXGBClassifierに置き換えます。
  • 推定器コンストラクター内のすべてのパラメーター名をキャメルケース形式からsnake_caseスタイルに変更します。 たとえば、 XgboostRegressor(featuresCol=XXX)SparkXGBRegressor(features_col=XXX)に変更します。
  • パラメーター use_external_storageexternal_storage_precision は削除されました。 xgboost.spark 推定器は、DMatrix データ反復 API を使用してメモリをより効率的に使用します。 非効率的な外部ストレージモードを使用する必要はもうありません。 非常に大きなデータセットの場合、Databricks では、 num_workers パラメーターを増やして、各トレーニング タスクがデータをより小さく、管理しやすいデータ パーティションに分割することをお勧めします。 クラスター内の Spark タスクスロットの合計数にnum_workersを設定するnum_workers = sc.defaultParallelismの設定を検討します。
  • xgboost.sparkで定義されている推定器の場合、num_workers=1 を設定すると、1 つの Spark タスクを使用してモデルトレーニングが実行されます。これは、 Spark クラスター構成設定 spark.task.cpus で指定された CPU コアの数 (デフォルトによる 1) を利用します。 モデルのトレーニングに使用する CPU コアを増やすには、 num_workers または spark.task.cpusを増やします。 xgboost.sparkで定義されている推定器の nthread パラメーターまたは n_jobs パラメーターは設定できません。この動作は、非推奨の sparkdl.xgboost パッケージで定義された推定器の以前の動作とは異なります。

sparkdl.xgboostモデルをxgboost.sparkモデルに変換する

sparkdl.xgboost モデルは xgboost.spark モデルとは異なる形式で保存され、 異なるパラメーター設定。 以下を使用します モデルを変換するためのユーティリティ関数:

Python
def convert_sparkdl_model_to_xgboost_spark_model(
xgboost_spark_estimator_cls,
sparkdl_xgboost_model,
):
"""
:param xgboost_spark_estimator_cls:
`xgboost.spark` estimator class, e.g. `xgboost.spark.SparkXGBRegressor`
:param sparkdl_xgboost_model:
`sparkdl.xgboost` model instance e.g. the instance of
`sparkdl.xgboost.XgboostRegressorModel` type.

:return
A `xgboost.spark` model instance
"""

def convert_param_key(key):
from xgboost.spark.core import _inverse_pyspark_param_alias_map
if key == "baseMarginCol":
return "base_margin_col"
if key in _inverse_pyspark_param_alias_map:
return _inverse_pyspark_param_alias_map[key]
if key in ['use_external_storage', 'external_storage_precision', 'nthread', 'n_jobs', 'base_margin_eval_set']:
return None
return key

xgboost_spark_params_dict = {}
for param in sparkdl_xgboost_model.params:
if param.name == "arbitraryParamsDict":
continue
if sparkdl_xgboost_model.isDefined(param):
xgboost_spark_params_dict[param.name] = sparkdl_xgboost_model.getOrDefault(param)

xgboost_spark_params_dict.update(sparkdl_xgboost_model.getOrDefault("arbitraryParamsDict"))

xgboost_spark_params_dict = {
convert_param_key(k): v
for k, v in xgboost_spark_params_dict.items()
if convert_param_key(k) is not None
}

booster = sparkdl_xgboost_model.get_booster()
booster_bytes = booster.save_raw("json")
booster_config = booster.save_config()
estimator = xgboost_spark_estimator_cls(**xgboost_spark_params_dict)
sklearn_model = estimator._convert_to_sklearn_model(booster_bytes, booster_config)
return estimator._copyValues(estimator._create_pyspark_model(sklearn_model))

# Example
from xgboost.spark import SparkXGBRegressor

new_model = convert_sparkdl_model_to_xgboost_spark_model(
xgboost_spark_estimator_cls=SparkXGBRegressor,
sparkdl_xgboost_model=model,
)

sparkdl.xgboost モデルを含む pyspark.ml.PipelineModel モデルがあれば 最後のステージでは、sparkdl.xgboost modelのステージを次のように置き換えることができます 変換された xgboost.spark モデル。

Python
pipeline_model.stages[-1] = convert_sparkdl_model_to_xgboost_spark_model(
xgboost_spark_estimator_cls=SparkXGBRegressor,
sparkdl_xgboost_model=pipeline_model.stages[-1],
)