前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >算法训练和模型部署如何避免多次重写数据预处理代码

算法训练和模型部署如何避免多次重写数据预处理代码

作者头像
用户2936994
发布2018-08-27 14:43:38
1K0
发布2018-08-27 14:43:38
举报
文章被收录于专栏:祝威廉

前言

前段时间,我们对接算法的工程师哭丧的和我说,模型生成后一般都要部署成API的形态对外提供服务,但是算法工程师并没有提供如何将一条数据转化特征向量的方法,他能拿到的是代码逻辑以及一些“中间元数据”。数据预处理本来就复杂,翻译也是一件极其困难的事情。我解释了这件事情难以解决的原因,但是显然他还是有些失望。

今天的目标就是谈谈如何尝试改善这件事情。

解决方案

在我看来,之前业界已经给出解决方案了,就是pipeline,pipeline不仅仅包括数据特征化,还包括模型。Spark也是这么做的,但是其实应用并不广泛。原因有如下几个:

  1. 不同的框架pipeline模式不一样。比如Sklearn的pipeline并没不太容易用在工程团队上,毕竟大部分研发工程师都是用java/c++系的。
  2. Spark 的pipeline 不适合API服务,因为他是为了批处理设计的,而不是为了响应时间。

知道原因后,解决方案就变得相对直观了:

  1. 用一种统一的语言描述pipeline,横跨数据处理框架和算法框架。
  2. pipeline对单条数据处理必须能够在毫秒级,同时需要保持数据预处理离线训练和online预测/流预测的一致性。

用一种统一的语言描述pipeline

能做统一描述的其实是SQL,我们会将数据特征化流程也抽象成了算法训练,通过调参的方式干预特征处理,另外,我们尽可能的根据任务进行高级抽象而不是小功能点。这点很重要。比如:

代码语言:javascript
复制
-- 把文本字段转化为tf/idf向量,可以自定义词典
train orginal_text_corpus as TfIdfInPlace.`/tmp/tfidfinplace`
where inputCol="content"
-- 分词相关配置
and ignoreNature="true"
-- 停用词路径
and stopWordPath="/tmp/tfidf/stopwords"
-- 高权重词路径
and priorityDicPath="/tmp/tfidf/prioritywords"
-- 高权重词加权倍数
and priority="5.0"
and nGram="2,3"
;

我们将tf/idf特征化抽象成了一个算法,通过参数配置覆盖了如下的一些诉求:

  1. 分词(可以指定自定义词典)
  2. 过滤停用词
  3. ngram特征组合
  4. 字符转化为数字
  5. 计算idf/tf值
  6. 记在权重高的词汇,并且给对应特征加权。

如果是在训练阶段,我们直接加载模型的数据部分,从而让后续的算法可以继续进行处理。 使用方式如下:

代码语言:javascript
复制
load parquet.`/tmp/tfidfinplace/data` 
as trainningdata;

我们也可能在其他的批处理或者流程序里去使用它预处理新的数据,这个时候我们需要 先注册一下:

代码语言:javascript
复制
register TfIdfInPlace.`/tmp/tfidfinplace` as tfidf;

然后通过UDF函数的方式去使用即可:

代码语言:javascript
复制
 select tfidf(content) from hivetable;

如果你是部署成API服务,那么通过接口注册后,可以使用类似下面的http请求:

代码语言:javascript
复制
curl -XPOST 'http://127.0.0.1:9003/model/predict' -d '
 data=["你好,世界"] & 
 dataType=string &
pipeline= tfidf,bayes
'

我这里额外添加了一个贝叶斯贝叶斯模型,这里pipeline的的调用相当于 bayes(tfidf("你好,世界")) 最后返回的是一个预测结果。

pipeline对单条数据处理必须能够在毫秒级

这个如何能做到呢?这就需要我们保存每个“数据处理模型”中间的元数据以及计算规则。比如以前面的TfIdfInPlace为例,他训练完成后会保存所有的训练参数,词空间,词和数字的映射等等。这样我们下次使用时就可以加载这些元数据,并且按特定的规则对新数据进行处理。

因为训练时的数据预处理和预测时的数据预处理本质是不同的,训练时的数据预处理只能针对批量数据,从中学习特征化的方式,而预测时的数据预处理更偏向于“利用训练时学到的经验仅仅进行计算”,这种天然不匹配带来的成本在于,你需要针对pipeline里的每个模型的预测部分(包括数据预处理和算法模型)进行重新的实现,而无法复用之前批训练时的逻辑。

对于MLSQL而言,它重新实现了大部分Spark mllib算法/数据处理模型的预测逻辑,增加了更多高阶的数据预处理模型,并且提供对tensorflow,sklearn,dl4j等框架的预测支持。

实际案例

目前StreamingPro已经实现了一个案例,比如下面的代码通过SVM和随机深林实现了一个文本分类,特征工程用的是TfIdfInPlace算法:

代码语言:javascript
复制
set traning_dir = "/tmp/lwys_corpus";

-- 加载数据
load csv.`/Users/allwefantasy/Downloads/lwys_corpus` options header="true" and delimiter="\t" and quote="'"
as lwys_corpus;

select cut as features,cast(sid as int) as label from lwys_corpus
as orginal_text_corpus;

-- 把文本字段转化为tf/idf向量,可以自定义词典
train orginal_text_corpus as TfIdfInPlace.`${traning_dir}/tfidf` 
where inputCol="features" 
-- 分词的字典路径,支持多个
and `dic.paths`="....."
-- 停用词路径
and stopWordPath="..."
-- 高权重词路径
and priorityDicPath="...."
-- 高权重词加权倍数
and priority="5.0"
;

load parquet.`${traning_dir}/tfidf/data` 
as lwys_corpus_with_featurize;

-- 把label转化为递增数字
train lwys_corpus_with_featurize StringIndex.`${traning_dir}/si` 
where inputCol="label";

register StringIndex.`${traning_dir}/si` as predict;

select predict(label) as label,features as features from lwys_corpus_with_featurize 
as lwys_corpus_final_format;

-- 切分训练集、验证集,该算法会保证每个分类都是按比例切分。
train lwys_corpus_final_format as RateSampler.`${traning_dir}/ratesampler` 
where labelCol="label"
and sampleRate="0.9,0.1";

load parquet.`${traning_dir}/ratesampler` as data2;

select * from data2 where __split__=1
as validateTable;

select * from data2 where __split__=0
as trainingTable;

-- 训练,可以配置多个模型同时进行训练

train trainingTable as SKLearn.`${traning_dir}/model`  
where `kafkaParam.bootstrap.servers`="127.0.0.1:9092"
and `kafkaParam.topic`="test"
and `kafkaParam.group_id`="g_test-1"
and  `fitParam.0.batchSize`="300"
and  `fitParam.0.labelSize`="41"
and  `fitParam.0.alg`="RandomForestClassifier"
and  `fitParam.1.batchSize`="300"
and  `fitParam.1.labelSize`="41"
and  `fitParam.1.alg`="SVM"
and validateTable="validateTable"
and `systemParam.pythonPath`="python"
and `systemParam.pythonVer`="2.7"
;

训练完成后,如果我想在流式/批处理里用,那么应该是这样的:

代码语言:javascript
复制
-- 注册特征处理模型
register TfIdfInPlace.`${traning_dir}/tfidf`  as 
tfidf_compute;
register StringIndex.`${traning_dir}/si` as label_convert;

-- 注册算法模型
register SKLearn.`${traning_dir}/model`   as predict_label;

-- 对数据进行特征处理
select  tfidf_compute(content) as feature  from  some-hive-table
as newdata;

--对数据进行预测:
select label_convert_reverse(predict_label(feature)) as predict_catogory   from  newdata;

如果我们希望部署成一个API服务,首先启动一个MLSQL服务:

代码语言:javascript
复制
./bin/spark-submit   --class streaming.core.StreamingApp \
--master local[2] \
--name predict_service \
streamingpro-spark-2.0-1.0.0.jar    \
-streaming.name predict_service    \
-streaming.job.file.path file:///tmp/query.json \
-streaming.platform spark   \
-streaming.rest true   \
-streaming.driver.port 9003   \
-streaming.spark.service true \
-streaming.thrift false \
-streaming.enableHiveSupport true

访问 http://127.0.0.1:9003/run/script 接口动态注册已经生成的模型:

代码语言:javascript
复制
-- 注册特征处理模型
register TfIdfInPlace.`${traning_dir}/tfidf`  as 
tfidf_compute;
register StringIndex.`${traning_dir}/si` as label_convert;

-- 注册算法模型
register SKLearn.`${traning_dir}/model`   as predict_label;

MLSQL可以注册MLSQL自身的一些数据处理模型,对于算法模型,则包含了spark mllib, tensorflow, sklearn,dl4j等流行框架。

访问http://127.0.0.1:9003/model/predict进行预测请求:

代码语言:javascript
复制
curl -XPOST 'http://127.0.0.1:9003/model/predict' -d '
 data=["你好,世界"] & 
 dataType=string &
pipeline= tfidf_compute, predict_label, label_convert
'

这个时候,会分别调用tfidf_compute, predict_label, label_convert 三个模型处理传递过来的数据,完成最后的预测。可以简单理解为一个嵌套函数调用(实际上就是,?):

代码语言:javascript
复制
label_convert(predict_label(tfidf_compute(feature)))

额外的话

通过上面描述的方式,我们可以有效的通过pipeline机制,在保证Online predict的响应时间的情况下,复用在训练时的数据预处理和算法模型,避免了重复开发,减少了研发的负担,并且基于统一的pipline dsl成功的无缝融合了数据处理框架和多个流行的机器学习框架。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018.05.23 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 前言
  • 解决方案
  • 用一种统一的语言描述pipeline
  • pipeline对单条数据处理必须能够在毫秒级
  • 实际案例
  • 额外的话
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档