🥇 MLflow को साथ स्पार्क विस्तार गर्दै

नमस्ते, Khabrovsk निवासीहरू। हामीले पहिले नै लेखेझैं, यो महिना OTUS ले दुईवटा मेसिन लर्निङ कोर्सहरू एकैचोटि सुरु गर्दैछ, अर्थात् आधार и उन्नत। यस सन्दर्भमा, हामी उपयोगी सामग्री साझा गर्न जारी राख्छौं।

यस लेखको उद्देश्य प्रयोग गर्ने हाम्रो पहिलो अनुभवको बारेमा कुरा गर्नु हो MLflow.

हामी समीक्षा सुरु गर्नेछौं MLflow यसको ट्र्याकिङ सर्भरबाट र अध्ययनका सबै पुनरावृत्तिहरू लग गर्नुहोस्। त्यसपछि हामी UDF प्रयोग गरेर MLflow सँग स्पार्क जडान गर्ने हाम्रो अनुभव साझा गर्नेछौं।

प्रस्ग

हामी भित्र छौ अल्फा स्वास्थ्य हामी मानिसहरूलाई उनीहरूको स्वास्थ्य र कल्याणको जिम्मा लिन सशक्त बनाउन मेसिन लर्निङ र कृत्रिम बुद्धिमत्ता प्रयोग गर्छौं। यसैले मेसिन लर्निङ मोडेलहरू हामीले विकास गर्ने डेटा विज्ञान उत्पादनहरूको केन्द्रबिन्दु हुन्, र त्यसैले हामी MLflow, मेसिन लर्निङ जीवनचक्रका सबै पक्षहरूलाई समेट्ने खुला स्रोत प्लेटफर्ममा आकर्षित भयौं।

MLflow

MLflow को मुख्य लक्ष्य भनेको मेसिन लर्निङको शीर्षमा अतिरिक्त तह प्रदान गर्नु हो जसले डेटा वैज्ञानिकहरूलाई लगभग कुनै पनि मेसिन लर्निङ पुस्तकालयसँग काम गर्न अनुमति दिनेछ।h2o, केरास, mleap, पाइटरच, sklearn и tensorflow), उनको कामलाई अर्को स्तरमा लैजान्छ।

MLflow तीन घटक प्रदान गर्दछ:

ट्रयाकिङ् - रेकर्डिङ र प्रयोगहरूको लागि अनुरोधहरू: कोड, डाटा, कन्फिगरेसन र परिणामहरू। मोडेल सिर्जना गर्ने प्रक्रियाको अनुगमन धेरै महत्त्वपूर्ण छ।
परियोजनाहरु - कुनै पनि प्लेटफर्ममा चलाउनको लागि प्याकेजिङ ढाँचा (जस्तै। सेजमेकर)
मोडेल - विभिन्न परिनियोजन उपकरणहरूमा मोडेल पेश गर्नको लागि एक साझा ढाँचा।

MLflow (लेख्ने समयमा अल्फामा) एउटा खुला स्रोत प्लेटफर्म हो जसले तपाईंलाई प्रयोग, पुन: प्रयोग, र परिनियोजन सहित मेसिन लर्निङ जीवनचक्र व्यवस्थापन गर्न अनुमति दिन्छ।

MLflow सेटअप गर्दै

MLflow प्रयोग गर्नको लागि तपाईंले पहिले आफ्नो सम्पूर्ण पाइथन वातावरण सेटअप गर्न आवश्यक छ, यसको लागि हामी प्रयोग गर्नेछौं PyEnv (म्याकमा पाइथन स्थापना गर्न, जाँच गर्नुहोस् यहाँ)। यस तरिकाले हामी भर्चुअल वातावरण सिर्जना गर्न सक्छौं जहाँ हामी यसलाई चलाउन आवश्यक सबै पुस्तकालयहरू स्थापना गर्नेछौं।

```
pyenv install 3.7.0
pyenv global 3.7.0 # Use Python 3.7
mkvirtualenv mlflow # Create a Virtual Env with Python 3.7
workon mlflow
```

आवश्यक पुस्तकालयहरू स्थापना गरौं।

```
pip install mlflow==0.7.0 
            Cython==0.29  
            numpy==1.14.5 
            pandas==0.23.4 
            pyarrow==0.11.0
```

नोट: हामी UDF जस्ता मोडेलहरू चलाउन PyArrow प्रयोग गर्छौं। PyArrow र Numpy को संस्करणहरू निश्चित गर्न आवश्यक छ किनभने पछिल्लो संस्करणहरू एकअर्कासँग विवादित छन्।

ट्र्याकिङ UI सुरु गर्नुहोस्

MLflow ट्र्याकिङले हामीलाई Python र प्रयोग गरेर प्रयोगहरू लग गर्न र क्वेरी गर्न अनुमति दिन्छ REST API। थप रूपमा, तपाइँ मोडेल कलाकृतिहरू कहाँ भण्डार गर्ने भनेर निर्धारण गर्न सक्नुहुन्छ (localhost, Amazon S3, Azure ब्लब भण्डारण, गुगल क्लाउड भण्डारण वा SFTP सर्भर)। हामीले अल्फा हेल्थमा AWS प्रयोग गरेको हुनाले, हाम्रो कलाकृति भण्डारण S3 हुनेछ।

# Running a Tracking Server
mlflow server 
    --file-store /tmp/mlflow/fileStore 
    --default-artifact-root s3://<bucket>/mlflow/artifacts/ 
    --host localhost
    --port 5000

MLflow लगातार फाइल भण्डारण प्रयोग गर्न सिफारिस गर्दछ। फाइल भण्डारण भनेको सर्भरले रन र प्रयोग मेटाडेटा भण्डारण गर्ने ठाउँ हो। सर्भर सुरु गर्दा, निश्चित गर्नुहोस् कि यसले निरन्तर फाइल स्टोरमा पोइन्ट गर्छ। यहाँ प्रयोगको लागि हामी केवल प्रयोग गर्नेछौं /tmp.

याद गर्नुहोस् कि यदि हामी पुराना प्रयोगहरू चलाउन mlflow सर्भर प्रयोग गर्न चाहन्छौं भने, तिनीहरू फाइल भण्डारणमा उपस्थित हुनुपर्दछ। यद्यपि, यो बिना पनि हामीले तिनीहरूलाई UDF मा प्रयोग गर्न सक्छौं, किनकि हामीलाई मोडेलको लागि मात्र बाटो चाहिन्छ।

नोट: ट्र्याकिङ UI र मोडेल क्लाइन्टसँग कलाकृति स्थानमा पहुँच हुनैपर्छ भन्ने कुरा ध्यानमा राख्नुहोस्। त्यो हो, ट्र्याकिङ UI EC2 उदाहरणमा रहेको तथ्यलाई ध्यान नदिई, स्थानीय रूपमा MLflow चलाउँदा, कलाकृति मोडेलहरू लेख्नको लागि मेसिनसँग S3 मा सीधा पहुँच हुनुपर्छ।

ट्र्याकिङ UI ले कलाकृतिहरूलाई S3 बाल्टीमा भण्डारण गर्छ

चलिरहेको मोडेलहरू

ट्र्याकिङ सर्भर चल्ने बित्तिकै, तपाइँ मोडेलहरू प्रशिक्षण सुरु गर्न सक्नुहुन्छ।

उदाहरणको रूपमा, हामी MLflow उदाहरणबाट वाइन परिमार्जन प्रयोग गर्नेछौं Sklearn.

MLFLOW_TRACKING_URI=http://localhost:5000 python wine_quality.py 
  --alpha 0.9
  --l1_ration 0.5
  --wine_file ./data/winequality-red.csv

हामीले पहिले नै छलफल गरिसकेका छौं, MLflow ले तपाईंलाई मोडेल प्यारामिटरहरू, मेट्रिक्स, र कलाकृतिहरू लग गर्न अनुमति दिन्छ ताकि तपाईं तिनीहरू पुनरावृत्तिहरूमा कसरी विकसित हुन्छन् भनेर ट्र्याक गर्न सक्नुहुन्छ। यो सुविधा अत्यन्त उपयोगी छ किनभने यस तरिकाले हामीले ट्र्याकिङ सर्भरलाई सम्पर्क गरेर वा कमिटहरूको git ह्यास लगहरू प्रयोग गरेर कुन कोडले आवश्यक पुनरावृत्ति प्रदर्शन गर्‍यो भनेर बुझेर उत्कृष्ट मोडेल पुन: उत्पादन गर्न सक्छौं।

with mlflow.start_run():

    ... model ...

    mlflow.log_param("source", wine_path)
    mlflow.log_param("alpha", alpha)
    mlflow.log_param("l1_ratio", l1_ratio)

    mlflow.log_metric("rmse", rmse)
    mlflow.log_metric("r2", r2)
    mlflow.log_metric("mae", mae)

    mlflow.set_tag('domain', 'wine')
    mlflow.set_tag('predict', 'quality')
    mlflow.sklearn.log_model(lr, "model")

वाइन पुनरावृत्ति

मोडेलको लागि सर्भर भाग

MLflow ट्र्याकिङ सर्भर, "mlflow सर्भर" आदेश प्रयोग गरेर सुरु गरिएको, रन ट्र्याक गर्न र स्थानीय फाइल प्रणालीमा डाटा लेख्नको लागि REST API छ। तपाईंले वातावरण चर "MLFLOW_TRACKING_URI" प्रयोग गरेर ट्र्याकिङ सर्भर ठेगाना निर्दिष्ट गर्न सक्नुहुन्छ र MLflow ट्र्याकिङ API ले सुरूवात जानकारी, लग मेट्रिक्स, आदि सिर्जना गर्न/प्राप्त गर्नको लागि यस ठेगानामा ट्र्याकिङ सर्भरलाई स्वचालित रूपमा सम्पर्क गर्नेछ।

स्रोत: कागजात// ट्र्याकिङ सर्भर चलाउँदै

सर्भरको साथ मोडेल प्रदान गर्न, हामीलाई चलिरहेको ट्र्याकिङ सर्भर (लन्च इन्टरफेस हेर्नुहोस्) र मोडेलको रन आईडी चाहिन्छ।

आईडी चलाउनुहोस्

# Serve a sklearn model through 127.0.0.0:5005
MLFLOW_TRACKING_URI=http://0.0.0.0:5000 mlflow sklearn serve 
  --port 5005  
  --run_id 0f8691808e914d1087cf097a08730f17 
  --model-path model

MLflow सेवा कार्यक्षमता प्रयोग गरी मोडेलहरू सेवा गर्न, हामीले केवल निर्दिष्ट गरेर मोडेलको बारेमा जानकारी प्राप्त गर्न ट्र्याकिङ UI मा पहुँच चाहिन्छ। --run_id.

एकचोटि मोडेलले ट्र्याकिङ सर्भरलाई सम्पर्क गरेपछि, हामी नयाँ मोडेलको अन्तिम बिन्दु प्राप्त गर्न सक्छौं।

# Query Tracking Server Endpoint
curl -X POST 
  http://127.0.0.1:5005/invocations 
  -H 'Content-Type: application/json' 
  -d '[
	{
		"fixed acidity": 3.42, 
		"volatile acidity": 1.66, 
		"citric acid": 0.48, 
		"residual sugar": 4.2, 
		"chloridessssss": 0.229, 
		"free sulfur dsioxide": 19, 
		"total sulfur dioxide": 25, 
		"density": 1.98, 
		"pH": 5.33, 
		"sulphates": 4.39, 
		"alcohol": 10.8
	}
]'

> {"predictions": [5.825055635303461]}

स्पार्कबाट चलिरहेको मोडेलहरू

ट्र्याकिंग सर्भर वास्तविक समयमा मोडेलहरू सेवा गर्न, तिनीहरूलाई तालिम दिन र सर्भर कार्यक्षमता प्रयोग गर्न पर्याप्त शक्तिशाली छ भन्ने तथ्यको बावजुद (स्रोत: mlflow // कागजात // मोडेल # स्थानीय), स्पार्क (ब्याच वा स्ट्रिमिङ) को प्रयोग वितरणको कारण अझ शक्तिशाली समाधान हो।

कल्पना गर्नुहोस् कि तपाईंले केवल अफलाइन प्रशिक्षण गर्नुभयो र त्यसपछि तपाईंको सबै डेटामा आउटपुट मोडेल लागू गर्नुभयो। यो जहाँ स्पार्क र MLflow चम्किन्छ।

PySpark + Jupyter + Spark स्थापना गर्नुहोस्

स्रोत: PySpark - Jupyter सुरु गर्नुहोस्

हामीले Spark डेटाफ्रेमहरूमा MLflow मोडेलहरू कसरी लागू गर्छौं भनेर देखाउन, PySpark सँग मिलेर काम गर्न हामीले Jupyter नोटबुकहरू सेटअप गर्नुपर्छ।

नवीनतम स्थिर संस्करण स्थापना गरेर सुरू गर्नुहोस् अपाचे स्पार्क:

cd ~/Downloads/
tar -xzf spark-2.4.3-bin-hadoop2.7.tgz
mv ~/Downloads/spark-2.4.3-bin-hadoop2.7 ~/
ln -s ~/spark-2.4.3-bin-hadoop2.7 ~/spark̀

भर्चुअल वातावरणमा PySpark र Jupyter स्थापना गर्नुहोस्:

pip install pyspark jupyter

वातावरण चर सेट अप गर्नुहोस्:

export SPARK_HOME=~/spark
export PATH=$SPARK_HOME/bin:$PATH
export PYSPARK_DRIVER_PYTHON=jupyter
export PYSPARK_DRIVER_PYTHON_OPTS="notebook --notebook-dir=${HOME}/Projects/notebooks"

निश्चय गरे notebook-dir, हामी हाम्रो नोटबुकहरू इच्छित फोल्डरमा भण्डारण गर्न सक्छौं।

PySpark बाट Jupyter लन्च गर्दै

हामीले जुपिटरलाई PySpark ड्राइभरको रूपमा कन्फिगर गर्न सक्षम भएकाले, हामी अब PySpark को सन्दर्भमा Jupyter नोटबुक चलाउन सक्छौं।

(mlflow) afranzi:~$ pyspark
[I 19:05:01.572 NotebookApp] sparkmagic extension enabled!
[I 19:05:01.573 NotebookApp] Serving notebooks from local directory: /Users/afranzi/Projects/notebooks
[I 19:05:01.573 NotebookApp] The Jupyter Notebook is running at:
[I 19:05:01.573 NotebookApp] http://localhost:8888/?token=c06252daa6a12cfdd33c1d2e96c8d3b19d90e9f6fc171745
[I 19:05:01.573 NotebookApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).
[C 19:05:01.574 NotebookApp]

    Copy/paste this URL into your browser when you connect for the first time,
    to login with a token:
        http://localhost:8888/?token=c06252daa6a12cfdd33c1d2e96c8d3b19d90e9f6fc171745

माथि उल्लेख गरिए अनुसार, MLflow ले S3 मा मोडेल कलाकृतिहरू लग गर्नको लागि सुविधा प्रदान गर्दछ। हाम्रो हातमा चयन गरिएको मोडेल हुने बित्तिकै, हामीसँग मोड्युल प्रयोग गरेर UDF को रूपमा आयात गर्ने अवसर छ। mlflow.pyfunc.

import mlflow.pyfunc

model_path = 's3://<bucket>/mlflow/artifacts/1/0f8691808e914d1087cf097a08730f17/artifacts/model'
wine_path = '/Users/afranzi/Projects/data/winequality-red.csv'
wine_udf = mlflow.pyfunc.spark_udf(spark, model_path)

df = spark.read.format("csv").option("header", "true").option('delimiter', ';').load(wine_path)
columns = [ "fixed acidity", "volatile acidity", "citric acid",
            "residual sugar", "chlorides", "free sulfur dioxide",
            "total sulfur dioxide", "density", "pH",
            "sulphates", "alcohol"
          ]
          
df.withColumn('prediction', wine_udf(*columns)).show(100, False)

PySpark - आउटपुटिङ वाइन गुणस्तर भविष्यवाणी

यस बिन्दु सम्म, हामीले MLflow सँग PySpark कसरी प्रयोग गर्ने, सम्पूर्ण वाइन डेटासेटमा वाइन गुणस्तर भविष्यवाणीहरू चलाउने बारे कुरा गरेका छौं। तर यदि तपाइँ स्काला स्पार्कबाट पाइथन MLflow मोड्युलहरू प्रयोग गर्न आवश्यक छ भने के हुन्छ?

हामीले स्काला र पाइथन बीच स्पार्क सन्दर्भ विभाजन गरेर यो पनि परीक्षण गर्‍यौं। त्यो हो, हामीले पाइथनमा MLflow UDF दर्ता गर्यौं, र यसलाई Scala बाट प्रयोग गर्‍यौं (हो, सायद उत्तम समाधान होइन, तर हामीसँग के छ)।

स्काला स्पार्क + एमएलफ्लो

यस उदाहरणको लागि हामी थप्नेछौं Toree कर्नेल अवस्थित बृहस्पति मा।

Spark + Toree + Jupyter स्थापना गर्नुहोस्

pip install toree
jupyter toree install --spark_home=${SPARK_HOME} --sys-prefix
jupyter kernelspec list
```
```
Available kernels:
  apache_toree_scala    /Users/afranzi/.virtualenvs/mlflow/share/jupyter/kernels/apache_toree_scala
  python3               /Users/afranzi/.virtualenvs/mlflow/share/jupyter/kernels/python3
```

तपाईले संलग्न नोटबुकबाट देख्न सक्नुहुन्छ, UDF Spark र PySpark बीच साझा गरिएको छ। हामी आशा गर्छौं कि यो भाग Scala मन पराउने र उत्पादनमा मेसिन लर्निङ मोडेलहरू प्रयोग गर्न चाहनेहरूका लागि उपयोगी हुनेछ।

import org.apache.spark.sql.functions.col
import org.apache.spark.sql.types.StructType
import org.apache.spark.sql.{Column, DataFrame}
import scala.util.matching.Regex

val FirstAtRe: Regex = "^_".r
val AliasRe: Regex = "[\s_.:@]+".r

def getFieldAlias(field_name: String): String = {
    FirstAtRe.replaceAllIn(AliasRe.replaceAllIn(field_name, "_"), "")
}

def selectFieldsNormalized(columns: List[String])(df: DataFrame): DataFrame = {
    val fieldsToSelect: List[Column] = columns.map(field =>
        col(field).as(getFieldAlias(field))
    )
    df.select(fieldsToSelect: _*)
}

def normalizeSchema(df: DataFrame): DataFrame = {
    val schema = df.columns.toList
    df.transform(selectFieldsNormalized(schema))
}

FirstAtRe = ^_
AliasRe = [s_.:@]+

getFieldAlias: (field_name: String)String
selectFieldsNormalized: (columns: List[String])(df: org.apache.spark.sql.DataFrame)org.apache.spark.sql.DataFrame
normalizeSchema: (df: org.apache.spark.sql.DataFrame)org.apache.spark.sql.DataFrame
Out[1]:
[s_.:@]+
In [2]:
val winePath = "~/Research/mlflow-workshop/examples/wine_quality/data/winequality-red.csv"
val modelPath = "/tmp/mlflow/artifactStore/0/96cba14c6e4b452e937eb5072467bf79/artifacts/model"

winePath = ~/Research/mlflow-workshop/examples/wine_quality/data/winequality-red.csv
modelPath = /tmp/mlflow/artifactStore/0/96cba14c6e4b452e937eb5072467bf79/artifacts/model
Out[2]:
/tmp/mlflow/artifactStore/0/96cba14c6e4b452e937eb5072467bf79/artifacts/model
In [3]:
val df = spark.read
              .format("csv")
              .option("header", "true")
              .option("delimiter", ";")
              .load(winePath)
              .transform(normalizeSchema)

df = [fixed_acidity: string, volatile_acidity: string ... 10 more fields]
Out[3]:
[fixed_acidity: string, volatile_acidity: string ... 10 more fields]
In [4]:
%%PySpark
import mlflow
from mlflow import pyfunc

model_path = "/tmp/mlflow/artifactStore/0/96cba14c6e4b452e937eb5072467bf79/artifacts/model"
wine_quality_udf = mlflow.pyfunc.spark_udf(spark, model_path)

spark.udf.register("wineQuality", wine_quality_udf)
Out[4]:
<function spark_udf.<locals>.predict at 0x1116a98c8>
In [6]:
df.createOrReplaceTempView("wines")
In [10]:
%%SQL
SELECT 
    quality,
    wineQuality(
        fixed_acidity,
        volatile_acidity,
        citric_acid,
        residual_sugar,
        chlorides,
        free_sulfur_dioxide,
        total_sulfur_dioxide,
        density,
        pH,
        sulphates,
        alcohol
    ) AS prediction
FROM wines
LIMIT 10
Out[10]:
+-------+------------------+
|quality|        prediction|
+-------+------------------+
|      5| 5.576883967129615|
|      5|  5.50664776916154|
|      5| 5.525504822954496|
|      6| 5.504311247097457|
|      5| 5.576883967129615|
|      5|5.5556903912725755|
|      5| 5.467882654744997|
|      7| 5.710602976324739|
|      7| 5.657319539336507|
|      5| 5.345098606538708|
+-------+------------------+

In [17]:
spark.catalog.listFunctions.filter('name like "%wineQuality%").show(20, false)

+-----------+--------+-----------+---------+-----------+
|name       |database|description|className|isTemporary|
+-----------+--------+-----------+---------+-----------+
|wineQuality|null    |null       |null     |true       |
+-----------+--------+-----------+---------+-----------+

अर्को चरणहरू

यद्यपि MLflow लेखनको समयमा अल्फा संस्करणमा छ, यो एकदम आशाजनक देखिन्छ। धेरै मेसिन लर्निङ ढाँचाहरू चलाउन र तिनीहरूलाई एकल अन्त्य बिन्दुबाट उपभोग गर्ने क्षमताले सिफारिसकर्ता प्रणालीहरूलाई अर्को स्तरमा लैजान्छ।

थप रूपमा, MLflow ले डेटा इन्जिनियरहरू र डेटा विज्ञान विशेषज्ञहरूलाई एकसाथ नजिक ल्याउँछ, तिनीहरू बीचको साझा तह राख्छ।

MLflow को यो अन्वेषण पछि, हामी विश्वस्त छौं कि हामी अगाडि बढ्नेछौं र यसलाई हाम्रो स्पार्क पाइपलाइनहरू र सिफारिसकर्ता प्रणालीहरूको लागि प्रयोग गर्नेछौं।

फाइल प्रणालीको सट्टा डाटाबेससँग फाइल भण्डारण सिङ्क्रोनाइज गर्न राम्रो हुनेछ। यसले हामीलाई एउटै फाइल भण्डारण प्रयोग गर्न सक्ने धेरै अन्तबिन्दुहरू दिनुपर्दछ। उदाहरणका लागि, धेरै उदाहरणहरू प्रयोग गर्नुहोस् सफाई и एथेना एउटै गोंद मेटास्टोर संग।

संक्षेपमा, म MLFlow समुदायलाई डाटाको साथ हाम्रो कामलाई थप रोचक बनाउनको लागि धन्यवाद भन्न चाहन्छु।

यदि तपाइँ MLflow सँग वरिपरि खेल्दै हुनुहुन्छ भने, हामीलाई लेख्न नहिचकिचाउनुहोस् र तपाइँ यसलाई कसरी प्रयोग गर्नुहुन्छ हामीलाई बताउनुहोस्, र अझ बढि यदि तपाइँ यसलाई उत्पादनमा प्रयोग गर्नुहुन्छ भने।

पाठ्यक्रमहरूको बारेमा थप जान्नुहोस्:
मेसिन लर्निङ। आधारभूत पाठ्यक्रम
मेसिन लर्निङ। उन्नत पाठ्यक्रम

थप पढ्नुहोस्:

स्रोत: www.habr.com

MLflow सँग स्पार्क विस्तार गर्दै