2020-08-20 将数据上传到 S3 或从S3下载

将数据上传到 S3

在上个 notebook 中，你应该使用给定剽窃/非剽窃文本数据语料库的特征和类别标签创建了两个文件：training.csv 和 test.csv 文件。

以下单元格将加载一些 AWS SageMaker 库并创建一个默认存储桶。创建此存储桶后，你可以将本地存储的数据上传到 S3。

将训练和测试 .csv 特征文件保存到本地。你可以在 SageMaker 中运行第二个 notebook“2_Plagiarism_Feature_Engineering”，或者使用 Jupyter Lab 中的上传图标手动将文件上传到此 notebook。然后，你可以使用 sagemaker_session.upload_data 将本地文件上传到 S3，并直接指向训练数据的存储位置。

In [1]:

import pandas as pd
import boto3
import sagemaker

In [2]:

"""
DON'T MODIFY ANYTHING IN THIS CELL THAT IS BELOW THIS LINE
"""
# session and role
sagemaker_session = sagemaker.Session()
role = sagemaker.get_execution_role()

# create an S3 bucket
bucket = sagemaker_session.default_bucket()

练习：将训练数据上传到 S3

指定在其中保存了 train.csv 文件的 data_dir。指定一个描述性 prefix，指出数据将上传到默认 S3 存储桶的什么位置。最后，通过调用 sagemaker_session.upload_data 并传入必要的参数，创建一个指向训练数据的指针。建议参考 Session 文档或之前的 SageMaker 代码示例。

你需要上传整个目录。之后，训练脚本将仅访问 train.csv 文件。

In [3]:

# should be the name of directory you created to save your features data
data_dir = "plagiarism_data"

# set prefix, a descriptive name for a directory  
prefix = "sagemaker/plagiarism-data"

# upload all data to S3
input_data = sagemaker_session.upload_data(path=data_dir,bucket=bucket,key_prefix=prefix)
print("input_data=",input_data)

input_data= s3://sagemaker-us-east-2-946824679433/sagemaker/plagiarism-data

测试单元格

测试数据是否已成功上传。以下单元格将输出 S3 存储桶中的内容，如果为空，将抛出错误。你应该看到 data_dir 的内容，或许还有一些检查点。如果你看到其中列出了任何其他文件，那么你也许有一些旧的模型文件，你可以通过 S3 控制台删除这些旧文件（不过多余的文件应该不会影响在此 notebook 中开发的模型的性能）。

In [4]:

"""
DON'T MODIFY ANYTHING IN THIS CELL THAT IS BELOW THIS LINE
"""
# confirm that data is in S3 bucket
empty_check = []
for obj in boto3.resource('s3').Bucket(bucket).objects.all():
    empty_check.append(obj.key)
    print(obj.key)

assert len(empty_check) !=0, 'S3 bucket is empty.'
print('Test passed!')

sagemaker/plagiarism-data/test.csv
sagemaker/plagiarism-data/train.csv
Test passed!