对于如何将Spark SQL模型转化为在线服务,很多新手都不是很清楚。为了帮助大家解决这个问题,下面小编就详细讲解一下。需要的人可以从中学习,希望你能有所收获。
00-1010的第四范式已经在金融行业的反欺诈、媒体行业的新闻推荐、能源行业的管道检测等众多行业落地了数万个AI应用。SparkSQL在这些AI应用中起到了快速实现特征转换的重要作用。
SparkSQL在特征转换中有几种主要类型。
多表场景,用于拼接表,如交易信息表拼接账表。
使用udf进行简单的特征转换,如时间戳的小时函数处理。
时间窗口和udaf用于时间序列特征处理,例如计算一个人最后一天的消费金额之和。
SparkSQL到目前为止很好地解决了离线模型训练的特征转换问题,但是随着AI应用的发展,人们对模型的期待不再仅仅是得到离线的研究成果,而是在真实的业务场景中发挥价值,这就是模型应用场景,需要高性能和实时推理。这时,我们会遇到以下问题。
如何将多表数据从离线映射到在线,即批量训练时输入大量的表,在线环境下这些表应该以什么形式存在,也会影响整个系统架构。做得好可以提高效率,做得不好会大大增加模型产生商业价值的成本。
将SQL转换为实时执行的成本很高,因为在线推理需要很高的性能,而数据科学家可能会制作成千上万个特征,每个特征都是由人肉转化而来的,这将大大增加工程成本。
离线功能很难与在线功能保持一致,手动转换会导致性能一致,往往很难保持一致。
线下效果很大,但线上效果无法满足业务需求。
在具体的反欺诈场景中,模型应用需要tp99 20ms毫秒来检测交易是否欺诈,因此模型应用的性能要求非常高。
SparkSQL在机器学习场景中应用
特征工程数据库补充了SparkSQL的功能。
以数据库的形式,解决了离线表到在线表的映射问题。我们前面给出的答案是离线表是如何分布的,以及在线表是如何分布的。
通过同一套代码进行线下和线上的特征转换,保证了线上模型效果。
科学家和业务开发团队的合作以sql作为传输媒介,而不是手动转换代码,大大提高了模型迭代的效率。
与scala实现的spark2.x和3.x相比,llvm加速的sql在时序复杂特征场景下可以加速2 ~ 3倍,在线内存存储可以保证sql以极低的延迟返回结果。
第四范式特征工程数据库是如何解决这些问题
演示模型训练场景为了预测出租车行程结束所需的时间,这里我们将使用fedb、pyspark和lightgbm等工具最终构建一个http模型推理服务,这也将是spark在机器学习场景中的实践。
整个demo200有200多行代码,生产时间不到半个小时。
Train_sql.py特征计算和训练,80行代码
Predict_server.py模型推理http服务,129行代码
快速将spark sql 模型变成实时服务demo
整个训练数据如下样子
抽样资料
id,vendor_id,皮卡_datetime,dropoff_datetime,乘客_计数,皮卡_经度,皮卡_纬度,drop off _经度,drop off _纬度,store_and_fwd_flag,trip_durationid3097625,1,2016-01-2216:013:00,2016-01-2216:15:16,2,-73 . 40600000001
9,40.7613525390625,-73.95573425292969,40.772396087646484,N,856 id3196697,1,2016-01-28 07:20:18,2016-01-28 07:40:16,1,-73.98524475097656,40.75959777832031,-73.99615478515625,40.72945785522461,N,1198 id0224515,2,2016-01-31 00:48:27,2016-01-31 00:53:30,1,-73.98342895507812,40.7500114440918,-73.97383880615234,40.74980163574219,N,303 id3370903,1,2016-01-14 11:46:43,2016-01-14 12:25:33,2,-74.00027465820312,40.74786376953125,-73.86485290527344,40.77039337158203,N,2330 id2763851,2,2016-02-20 13:21:00,2016-02-20 13:45:56,1,-73.95218658447266,40.772220611572266,-73.9920425415039,40.74932098388672,N,1496 id0904926,1,2016-02-20 19:17:44,2016-02-20 19:33:19,4,-73.97344207763672,40.75189971923828,-73.98480224609375,40.76243209838867,N,935 id2026293,1,2016-02-25 01:16:23,2016-02-25 01:31:27,1,-73.9871597290039,40.68777847290039,-73.9115219116211,40.68180847167969,N,904 id1349988,1,2016-01-28 20:16:05,2016-01-28 20:21:36,1,-74.0028076171875,40.7338752746582,-73.9968032836914,40.743770599365234,N,331 id3218692,2,2016-02-17 16:43:27,2016-02-17 16:54:41,5,-73.98147583007812,40.77408218383789,-73.97216796875,40.76400375366211,N,674 `
场景特征变换sql脚本
特征变换
select trip_duration, passenger_count, sum `(pickup_latitude) over w as vendor_sum_pl,` max `(pickup_latitude) over w as vendor_max_pl,` min `(pickup_latitude) over w as vendor_min_pl,` avg `(pickup_latitude) over w as vendor_avg_pl,` sum `(pickup_latitude) over w2 as pc_sum_pl,` max `(pickup_latitude) over w2 as pc_max_pl,` min `(pickup_latitude) over w2 as pc_min_pl,` avg `(pickup_latitude) over w2 as pc_avg_pl ,` count `(vendor_id) over w2 as pc_cnt,` count `(vendor_id) over w as vendor_cnt` from {} window w as (partition by vendor_id order by pickup_datetime ROWS_RANGE BETWEEN 1d PRECEDING AND CURRENT ROW), w2 as (partition by passenger_count order by pickup_datetime ROWS_RANGE BETWEEN 1d PRECEDING AND CURRENT ROW) `
我们选择了vendor_id 和 passenger_count 两个纬度做时序特征
train_df = spark.sql(train_sql) # specify your configurations as a dict params = { 'boosting_type' `: 'gbdt' , 'objective' `: 'regression' , 'metric' `: { 'l2' , 'l1' }, 'num_leaves' `: 31 , 'learning_rate' `: 0.05 , 'feature_fraction' `: 0.9 , 'bagging_fraction' `: 0.8 , 'bagging_freq' `: 5 , 'verbose' `: 0` } print `( 'Starting training...' )` gbm = lgb.train(params, lgb_train, num_boost_round `= 20 ,` valid_sets `= lgb_eval, early_stopping_rounds `= 5 )` gbm.save_model( `'model.txt' )执行模型训练过程,最终产生model.txt
模型推理过程
导入数据代码
import def insert_row(line): row = line.split( `',' ) row[ `2 ]` `=` `'%dl' % int (datetime.datetime.strptime(row[ 2 ], '%Y-%m-%d %H:%M:%S' ).timestamp()` `*` `1000 )` row[ `3 ]` `=` `'%dl' % int (datetime.datetime.strptime(row[ 3 ], '%Y-%m-%d %H:%M:%S' ).timestamp()` `*` `1000 )` insert = "insert into t1 values('%s', %s, %s, %s, %s, %s, %s, %s, %s, '%s', %s);" `% tuple (row) driver.executeInsert( `'db_test' , insert) with open `( 'data/taxi_tour_table_train_simple.csv' , 'r' ) as fd: idx = 0 for line in fd: if idx = `= 0 : idx = idx + 1 continue insert_row(line.replace( `'n' , '')) idx = idx + 1 ` 注:train.csv为训练数据csv格式版本
模型推理逻辑
predict.py def` `post( self ): row = json.loads( `self .request.body) ok, req = fedb_driver.getRequestBuilder( `'db_test' , sql) if not ok or not req: self `.write( "fail to get req" )` return input_schema = req.GetSchema() if not input_schema: self `.write( "no schema found" )` return str_length = 0 for i in range `(input_schema.GetColumnCnt()):` if sql_router_sdk.DataTypeName(input_schema.GetColumnType(i)) = `= 'string' : str_length = str_length + len `(row.get(input_schema.GetColumnName(i), ''))` req.Init(str_length) for i in range `(input_schema.GetColumnCnt()):` tname = sql_router_sdk.DataTypeName(input_schema.GetColumnType(i)) if tname = `= 'string' : req.AppendString(row.get(input_schema.GetColumnName(i), '')) elif tname = `= 'int32' : req.AppendInt32( `int (row.get(input_schema.GetColumnName(i),` `0 )))` elif tname = `= 'double' : req.AppendDouble( `float (row.get(input_schema.GetColumnName(i),` `0 )))` elif tname = `= 'timestamp' : req.AppendTimestamp( `int (row.get(input_schema.GetColumnName(i),` `0 )))` else `:` req.AppendNULL() if not req.Build(): self `.write( "fail to build request" )` return ok, rs = fedb_driver.executeQuery( `'db_test' , sql, req) if not ok: self `.write( "fail to execute sql" )` return rs. `Next () ins = build_feature(rs) self `.write( "----------------ins---------------\n" )` self `.write( str (ins) + "n" ) duration = bst.predict(ins) self `.write( "---------------predict trip_duration -------------\n" )` self `.write( "%s s" % str (duration[ 0 ]))``
最终执行效果
python3 predict.py ----------------ins--------------- [[ 2. 40.774097 40.774097 40.774097 40.774097 40.774097 40.774097 40.774097 40.774097 1. 1. ]] ---------------predict trip_duration ------------- 859.3298781277192 s `
看完上述内容是否对您有帮助呢?如果还想对相关知识有进一步的了解或阅读更多相关文章,请关注行业资讯频道,感谢您对的支持。
内容来源网络,如有侵权,联系删除,本文地址:https://www.230890.com/zhan/149954.html