XGBoost 服务

你可通过 Seldon 预封装 XGBoost 服务部署训练好的 XGBoost 模型。

要求

Seldon 预期训练模型是 model.bst 格式并使用 XGBoost 的 bst.save_model() 方法。 注意，这是 推荐的序列化模型方法。

为了最大限度的提高模型序列化和服务运行时的兼容性，推荐在训练和预估时使用相同版本的工具集。 最新的 XGBoost 预封装服务以来版本如下：

Package	Version
xgboost	1.4.2

用法

使用 XGBoost 预封装服务，需在模型配置中设置 XGBOOST_SERVER 为 implementation 的值。 例如，针对保存的 Iris 模型，可参考如下配置：

apiVersion: machinelearning.seldon.io/v1alpha2
kind: SeldonDeployment
metadata:
  name: xgboost
spec:
  name: iris
  predictors:
  - graph:
      children: []
      implementation: XGBOOST_SERVER
      modelUri: gs://seldon-models/xgboost/iris
      name: classifier
    name: default
    replicas: 1

查看相似的 可工作 notebook 示例。

V2 KFServing 协议 [孵化中]

Warning

V2 KFServing 协议支持被考虑在孵化特性中。 这意味着 Seldon Core 的某些特性仍未得到支持（比如：tracing, graphs等）。

XGBoost 服务也可用于暴露兼容 V2 KFServing 协议的 API。 注意，某些情况下，这会使用到 Seldon MLServer 运行时。

为了支持 V2 KFServing 协议，设置SeldonDeployment 的 protocol 使用 kfserving，示例如下：

apiVersion: machinelearning.seldon.io/v1alpha2
kind: SeldonDeployment
metadata:
  name: xgboost
spec:
  name: iris
  protocol: kfserving # Activate the V2 protocol
  predictors:
  - graph:
      children: []
      implementation: XGBOOST_SERVER
      modelUri: gs://seldon-models/xgboost/iris
      name: classifier
    name: default
    replicas: 1

可参考此 可工作 notebook示例。