Apache Spark 2.0前瞻：为机器学习模型注入持久性

   <h2>简介</h2>    <p>研究机器学习用例：</p>    <ul>     <li>数据科学家建立了一个ML模型，并交给了一个工程团队在生产环境部署。</li>     <li>数据工程师将使用Python的模型训练工作流和Java模型服务工作流整合。</li>     <li>数据科学家专门设立岗位来训练后期需要被保存和评估的ML模型。</li>    </ul>    <p>在所有的这些例子中，如果有了模型的持久性，那么保存和加载模型的问题将变得更容易解决。在即将到来的2.0版本中，通过基于DataFrame的API，Spark机器学习库MLlib将实现几乎完整的ML持久性支持。本文将提前透露有关代码示例，以及MLlib API持久性的一些细节。</p>    <p>ML持久性的关键特性包括：</p>    <ul>     <li>Spark支持所有语言的API：Scala、Java、Python和R</li>     <li>基于DataFram的API几乎支持所有的ML算法</li>     <li>支持单一模型和完整的Pipelines，不管是训练或者未训练的</li>     <li>使用可互换的格式来实现分布式存储</li>    </ul>    <p>感谢所有为MLlib带来巨大发展的社区贡献者们!在JIRAs中可以看到为Scala，Java， Python和R做出贡献的完整人员名单。</p>    <h2>了解API</h2>    <p>在Apache Spark 2.0里，对于MLlib来说基于DataFrame的API在关于Spark的ML中占据了首要位置。该API模仿被人们所熟知的Spark Data Source API，提供保存和加载模型的功能。</p>    <p>下面将采用流行的MNIST数据集进行手写体数字识别，并在几种语言上演示保存和加载模型的功能（LeCun等著，1998；可从LIBSVM数据页面获取）。这个数据集包含了手写数字0-9，以及地面实况标签。这里有些例子：</p>    <p><img src="https://simg.open-open.com/show/ccfc5303d69ea38df1f28cfba353af95.jpg"></p>    <p>我们的最终目的是为了拍摄新的手写数字图像并进行数字识别。在下面的笔记中就完整地演示了数据载入，以及模型训练、保存和加载的代码。</p>    <h2>保存和加载单一模型</h2>    <p>首先将展示如何保存和加载单一模型以促进语言共享，例子中首先会通过Python来训练一个Random Forest Classifier并保存下来，然后再利用Scala加载相同的模型。</p>    <pre>  training = sqlContext.read... # data: features, label  rf = RandomForestClassifier(numTrees=20)  model = rf.fit(training)</pre>    <p>为了简化，这里将保存模型称为save方法，把加载模型称为load方法：</p>    <pre>  model.save("myModelPath")  sameModel = RandomForestClassificationModel.load("myModelPath")</pre>    <p>我们还可以将同样的模型（已保存在Python的）加载到一个Scala或者Java应用程序中：</p>    <pre>  // Load the model in Scala val sameModel = RandomForestClassificationModel.load("myModelPath")</pre>    <p>这个方法既可以用于小型的本地模型例如K-Means模型（为了集群），也可以用于大型的分布式模型例如ALS模型（为了推荐）。因为加载的模型具有相同的参数设置和数据，所以即使加载的是一个完全不同的Spark部署，它也会给出相同的预测。</p>    <h2>保存和加载完整Pipelines</h2>    <p>到目前为止只演示了单一ML模型的保存和加载，但在实际过程中，ML的工作流其实包含着许多阶段，从特征的提取和转换到模型的训练和调优都在其中。MLlib还提供了Pipelines来帮助用户更好地构建这些工作流。</p>    <p>同时，MLlib还允许用户保存和加载整个Pipelines。下面通过一个Pipeline案例看一下它是采用了哪些步骤实现的：</p>    <ul>     <li>特征提取：使用Binarizer将图像转换成黑白色</li>     <li>模型训练：使用Random Forest Classifier拍摄图像和预测数字0–9</li>     <li>调优：使用交叉验证（Cross-Validation）来优化森林中树的深度</li>    </ul>    <p>下面是建立Pipeline的一个片段：</p>    <pre>  // Construct the Pipeline: Binarizer + Random Forest  val pipeline = new Pipeline().setStages(Array(binarizer, rf))    // Wrap the Pipeline in CrossValidator to do model tuning.  val cv = new CrossValidator().setEstimator(pipeline) ...</pre>    <p>在管道训练之前，我们会演示将整个工作流保存下来的过程(训练前)。而且这个工作流可以在另一个数据集上，或者是在另一个Spark集群上等地方加载运行。</p>    <pre>  cv.save("myCVPath")  val sameCV = CrossValidator.load("myCVPath")</pre>    <p>最后，我们就可以进行Pipeline训练，再将其保存和加载。这不仅可以节省特征提取的步骤，还可以省去使用Cross-Validation调整Random Forest模型以及从模型调优中提取数据的过程。</p>    <pre>  val cvModel = cv.fit(training)  cvModel.save("myCVModelPath")  val sameCVModel = CrossValidatorModel.load("myCVModelPath")</pre>    <h2>了解细节</h2>    <p>Python调优</p>    <p>很遗憾，Python调优将缺席Spark 2.0版本。就目前情况来看，Python还不支持保存和加载用于优化hyperparameters模型的CrossValidator和TrainValidationSplit；这个问题也正是Spark 2.1版本需要解决的。但是，它仍然有可能被用来保存Python中的CrossValidator和TrainValidationSplit结果。例如，使用Cross-Validation来调整Random Forest并将调整过程中发现的最好模型保存起来。</p>    <pre>  # Define the workflow  rf = RandomForestClassifier()  cv = CrossValidator(estimator=rf, ...)  # Fit the model, running Cross-Validation  cvModel = cv.fit(trainingData)  # Extract the results, i.e., the best Random Forest model  bestModel = cvModel.bestModel  # Save the RandomForest model  bestModel.save("rfModelPath")</pre>    <p>可交换的存储格式</p>    <p>在内部，我们可以把模型的元数据和参数保存为JSON，把数据保存为Parquet。这些存储格式是可交换的，还可以使用其他库读取。Parquet不仅可以存储小的模型（例如Naive Bayes for classification），还可以存储大型的分布式模型（例如ALS for recommendation）。任何被Dataset/DataFrame支持的URI 都可以保存和加载存储路径，包括S3路径、本地存储等等。</p>    <p>语言的跨平台兼容性</p>    <p>利用Scala、Java和Python可以很容易地保存和加载模型，但是R却有两个局限性。一方面，R并不是支持所有的MLlib模型，其他语言所训练的模型也不是都可以被加载到R。另一方面，目前的R模型格式需要存储一些配合R使用的数据，这样给其他语言加载R所训练和存储的模型增加了困难。相信更好的跨语言支持R会在不久的将来被补足。</p>    <p>结论</p>    <p>随着2.0版本的即将发布，DataFrame-based MLlib API将几乎完全覆盖持久化的模型和Pipelines。对于团队间共享模型、多语言ML工作流创建以及将模型用于生产这些，持久性发挥着至关重要的作用。这个特性也将会推动MLlib API（DataFrame-based）最终转变为Apache Spark机器学习的重要API。</p>    <p>接下来呢?</p>    <p>未来的话，更高优先级的项目将会包括完整的持久性覆盖、Python模型优化算法以及R和其他语言API之间的兼容性改进。</p>    <p> </p>    <p>来自： <a href="/misc/goto?guid=4959674155849209524" rel="nofollow">http://www.lupaworld.com/article-258760-1.html</a></p>    <p> </p>