Pular para o conteúdo principal
Última atualização em

Ensinar o modelo XGBoost em uma única GPU

Este notebook demonstra como ensinar um modelo de regressão XGBoost em uma única GPU usando compute GPU serverless Databricks . A aceleração por GPU acelera significativamente o treinamento de modelos em comparação com o treinamento baseado em CPU, especialmente para conjuntos de dados grandes.

Principais conceitos abordados:

  • Treinamento acelerado por GPU : Utiliza o método de árvore hist do XGBoost com dispositivo CUDA para um treinamento mais rápido.
  • Checkpoint do modelo : Salva o estado do modelo periodicamente em volumes Unity Catalog para recuperação e treinamento incremental.
  • datasetde habitação da Califórnia : uma tarefa de regressão para prever os valores medianos das casas.

Para obter mais informações, consulte os Unity Catalog volumes XGBoost Suporte a GPU e .

Requisitos​

Este notebook requer um cluster compute com GPU habilitada. compute GPU serverless Databricks é selecionado automaticamente ao executar células.

Instale a biblioteca necessária.​

Instale XGBoost versão 2.0.3 e scikit-learn para carregamento dataset e métricas de avaliação.

Python
%pip install xgboost==2.0.3 # due to this issue: https://github.com/ray-project/xgboost_ray/issues/312
%pip install scikit-learn
dbutils.library.restartPython()

Verifique se o XGBoost 2.0.3 está instalado corretamente.

Python
%pip show xgboost

Configurar o local do ponto de verificação Unity Catalog​

Defina a localização do volume Unity Catalog onde os pontos de verificação do modelo serão salvos. O Notebook utiliza parâmetros de consulta para configurar o catálogo, o esquema, o volume e o nome do modelo.

Python
# You must have `USE CATALOG` privileges on the catalog, and you must have `USE SCHEMA` privileges on the schema.
# If necessary, change the catalog and schema name here.
dbutils.widgets.text("uc_catalog", "main")
dbutils.widgets.text("uc_schema", "default")
dbutils.widgets.text("uc_model_name", "custom_transformer")
dbutils.widgets.text("uc_volume", "checkpoints")

UC_CATALOG = dbutils.widgets.get("uc_catalog")
UC_SCHEMA = dbutils.widgets.get("uc_schema")
UC_VOLUME = dbutils.widgets.get("uc_volume")
MODEL_NAME = dbutils.widgets.get("uc_model_name")
CHECKPOINT_PATH = f"/Volumes/{UC_CATALOG}/{UC_SCHEMA}/{UC_VOLUME}/{MODEL_NAME}"
CHECKPOINT_PREFIX = "checkpoint"

print(f"UC_CATALOG: {UC_CATALOG}")
print(f"UC_SCHEMA: {UC_SCHEMA}")
print(f"UC_VOLUME: {UC_VOLUME}")
print(f"CHECKPOINT_PATH: {CHECKPOINT_PATH}")

Crie uma função de retorno de chamada de ponto de verificação que salve o estado do modelo a cada 50 rodadas de boosting no volume do Unity Catalog . Isso possibilita a recuperação de falhas e o treinamento incremental.

Python
import os
from xgboost.callback import TrainingCheckPoint

# Create the UC Volume where the checkpoint will be saved if it doesn't exist already
os.makedirs(CHECKPOINT_PATH, exist_ok=True)

# Create a callback to checkpoint to a UC volume
checkpoint_cb = TrainingCheckPoint(
    directory=CHECKPOINT_PATH,
    name=CHECKPOINT_PREFIX,
    iterations=50,       # save every 50 boosting rounds
)

Ensinar o modelo XGBoost em uma única GPU​

Carregue o dataset California Housing, configure XGBoost para treinamento em GPU e ensine um modelo de regressão. O modelo prevê os valores medianos das casas usando recursos como localização, número de quartos e densidade populacional.

Python
import xgboost as xgb
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.metrics import root_mean_squared_error

# Load California Housing dataset
X, y = fetch_california_housing(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Convert to DMatrix
dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

# GPU training parameters for regression
params = {
    "tree_method": "hist",        # Use GPU histogram
    "device": "cuda",
    "objective": "reg:squarederror",  # Regression objective
    "eval_metric": "rmse",            # Root Mean Squared Error
    "max_depth": 6,
    "learning_rate": 0.1,
}

# Train the model
bst = xgb.train(
    params=params,
    dtrain=dtrain,
    num_boost_round=200,
    evals=[(dtest, "eval"), (dtrain, "train")],
    verbose_eval=10,
    callbacks=[checkpoint_cb]
)

# Predict
y_pred = bst.predict(dtest)

# Evaluate
rmse = root_mean_squared_error(y_test, y_pred)
print(f"✅ RMSE on test set: {rmse:.4f}")

Carregar o modelo do ponto de verificação e avaliar.​

Carregue um ponto de verificação salvo anteriormente, da 150ª rodada de impulso, e avalie seu desempenho. Isso demonstra como retomar o treinamento ou usar estados intermediários do modelo.

Python
# Take sample checkpoint from 150th step
checkpoint = f"{CHECKPOINT_PATH}/{CHECKPOINT_PREFIX}_150.json"

# Load the model from a checkpoint
bst = xgb.Booster()
bst.load_model(checkpoint)

dtest = xgb.DMatrix(X_test)
y_pred = bst.predict(dtest)

# Evaluate
rmse = root_mean_squared_error(y_test, y_pred)
print(f"✅ RMSE on test set: {rmse:.4f}")

Próximos passos​

Exemplo de caderno​

Ensinar o modelo XGBoost em uma única GPU

Abrir notebook em uma nova aba