Press "Enter" to skip to content

LP love tensorflow & spark

昨天看到一篇文章激发起了我很多兴趣点,文章的题目是 Spark Love Tensorflow,心想何止如此,LP love tensorflow & spark,之前谜之Love Tensorflow,花了三年的时候把它收入麾下,19年开始接触spark,同样激发出不少火花,同时学习了scala语言(人生太短,python吧),也想花二到三年的时间将spark拿下。

 

感兴趣的可以看看我整理的repo:

 

tensorflow: https://github.com/MachineLP/Tensorflow-

 

spark: https://github.com/MachineLP/Spark-

 

https://github.com/MachineLP/MachineLP-CodeFun/tree/master/04-machine_learning/02-sparkml_examples

 

如果想成为data scientist可以看这里: https://github.com/MachineLP/MachineLP-CodeFun

 

回到正题吧: 推荐一片文章《Spark Love TensorFlow》: https://mp.weixin.qq.com/s/Dexxj4VnDzVKSt-BYwMdOg

 

具体如下:

 

本篇文章介绍在 Spark 中调用训练好的 TensorFlow 模型进行预测的方法。

 

本文内容的学习需要一定的 Spark 和 Scala 基础。想要入门spark的同学,可以在公众号后台回复关键字: spark ,获取spark入门独家教程。

 

本篇文章我们通过 TensorFlow for Java 在 Spark 中调用训练好的 TensorFlow 模型。利用 Spark 的分布式计算能力,从而可以让训练好的 TensorFlow 模型在成百上千的机器上分布式并行执行模型推断。

 

Spark-Scala 调用 TensorFlow 模型概述

 

在 Spark(Scala) 中调用 TensorFlow 模型进行预测需要完成以下几个步骤:

 

 

准备 protobuf 模型文件

 

创建 Spark-Scala 项目,在项目中添加 Java 版本的 TensorFlow 对应的 jar 包依赖

 

在 Spark-Scala 项目中 driver 端加载 TensorFlow 模型调试成功

 

在 Spark-Scala) 项目中通过 RDD 在 executor 上加载 TensorFlow 模型调试成功

 

在 Spark-Scala 项目中通过 DataFrame 在 executor 上加载 TensorFlow 模型调试成功

 

 

一 准备 protobuf 模型文件

 

我们使用 tf.keras 训练一个简单的线性回归模型,并保存成 protobuf 文件。

 

import tensorflow as tf
from tensorflow.keras import models,layers,optimizers
## 样本数量
n = 800
## 生成测试用数据集
X = tf.random.uniform([n,2],minval=-10,maxval=10)
w0 = tf.constant([[2.0],[-1.0]])
b0 = tf.constant(3.0)
Y = X@w0 + b0 + tf.random.normal([n,1],mean = 0.0,stddev= 2.0)  # @表示矩阵乘法,增加正态扰动
## 建立模型
tf.keras.backend.clear_session()
inputs = layers.Input(shape = (2,),name ="inputs") #设置输入名字为inputs
outputs = layers.Dense(1, name = "outputs")(inputs) #设置输出名字为outputs
linear = models.Model(inputs = inputs,outputs = outputs)
linear.summary()
## 使用fit方法进行训练
linear.compile(optimizer="rmsprop",loss="mse",metrics=["mae"])
linear.fit(X,Y,batch_size = 8,epochs = 100)
tf.print("w = ",linear.layers[1].kernel)
tf.print("b = ",linear.layers[1].bias)
## 将模型保存成pb格式文件
export_path = "./data/linear_model/"
version = "1"       #后续可以通过版本号进行模型版本迭代与管理
linear.save(export_path+version, save_format="tf")

 

!ls {export_path+version}

# 查看模型文件相关信息!saved_model_cli show --dir {export_path+str(version)} --all

 

模型文件信息中这些标红的部分都是后面有可能会用到的:

 

 

二 添加 TensorFlowfor java 项目依赖

 

如果使用 maven 管理项目,需要添加如下 jar 包依赖:

 

<!-- https://mvnrepository.com/artifact/org.tensorflow/tensorflow -->
<dependency>
    <groupId>org.tensorflow</groupId>
    <artifactId>tensorflow</artifactId>
    <version>1.15.0</version>
</dependency>

 

也可以从下面网址中直接下载 org.tensorflow.tensorflow 的 jar 包,以及其依赖的 org.tensorflow.libtensorflow 和 org.tensorflowlibtensorflow_jni 的 jar 包放到项目中。

 

https://mvnrepository.com/artifact/org.tensorflow/tensorflow/1.15.0

 

三 在 Driver 端加载 TensorFlow 模型

 

我们的示范代码在 Jupyter Notebook 中进行演示,需要安装 toree 以支持 Spark-Scala。

 

import scala.collection.mutable.WrappedArray
import org.{tensorflow=>tf}
//注:load函数的第二个参数一般都是“serve”,可以从模型文件相关信息中找到
val bundle = tf.SavedModelBundle
   .load("/Users/liangyun/CodeFiles/eat_tensorflow2_in_30_days/data/linear_model/1","serve")
//注:在java版本的tensorflow中还是类似tensorflow1.0中静态计算图的模式,需要建立Session, 指定feed的数据和fetch的结果, 然后 run.
//注:如果有多个数据需要喂入,可以连续用用多个feed方法
//注:输入必须是float类型
val sess = bundle.session()
val x = tf.Tensor.create(Array(Array(1.0f,2.0f),Array(2.0f,3.0f)))
val y =  sess.runner().feed("serving_default_inputs:0", x)
         .fetch("StatefulPartitionedCall:0").run().get(0)
val result = Array.ofDim[Float](y.shape()(0).toInt,y.shape()(1).toInt)
y.copyTo(result)
if(x != null) x.close()
if(y != null) y.close()
if(sess != null) sess.close()
if(bundle != null) bundle.close()
result

 

输出如下:

 

Array(Array(3.019596), Array(3.9878292))

 

四 通过 RDD 加载 TensorFlow 模型

 

下面我们通过广播机制将 Driver 端加载的 TensorFlow 模型传递到各个 executor 上,并在 executor 上分布式地调用模型进行推断。

 

import org.apache.spark.sql.SparkSession
import scala.collection.mutable.WrappedArray
import org.{tensorflow=>tf}
val spark = SparkSession
    .builder()
    .appName("TfRDD")
    .enableHiveSupport()
    .getOrCreate()
val sc = spark.sparkContext
//在Driver端加载模型
val bundle = tf.SavedModelBundle 
   .load("/Users/liangyun/CodeFiles/master_tensorflow2_in_20_hours/data/linear_model/1","serve")
//利用广播将模型发送到excutor上
val broads = sc.broadcast(bundle)
//构造数据集
val rdd_data = sc.makeRDD(List(Array(1.0f,2.0f),Array(3.0f,5.0f),Array(6.0f,7.0f),Array(8.0f,3.0f)))
//通过mapPartitions调用模型进行批量推断
val rdd_result = rdd_data.mapPartitions(iter => {
    
    val arr = iter.toArray
    val model = broads.value
    val sess = model.session()
    val x = tf.Tensor.create(arr)
    val y =  sess.runner().feed("serving_default_inputs:0", x)
             .fetch("StatefulPartitionedCall:0").run().get(0)
    //将预测结果拷贝到相同shape的Float类型的Array中
    val result = Array.ofDim[Float](y.shape()(0).toInt,y.shape()(1).toInt)
    y.copyTo(result)
    result.iterator
    
})

rdd_result.take(5)
bundle.close

 

输出如下:

 

Array(Array(3.019596), Array(3.9264367), Array(7.8607616), Array(15.974984))

 

五 通过 DataFrame 加载 TensorFlow 模型

 

除了可以在 Spark 的 RDD 数据上调用 TensorFlow 模型进行分布式推断,我们也可以在 DataFrame 数据上调用 TensorFlow 模型进行分布式推断。

 

主要思路是将推断方法注册成为一个 SparkSQL 函数。

 

import org.apache.spark.sql.SparkSession
import scala.collection.mutable.WrappedArray
import org.{tensorflow=>tf}
object TfDataFrame extends Serializable{
    
    
    def main(args:Array[String]):Unit = {
        
        val spark = SparkSession
        .builder()
        .appName("TfDataFrame")
        .enableHiveSupport()
        .getOrCreate()
        val sc = spark.sparkContext
        
        
        import spark.implicits._
        val bundle = tf.SavedModelBundle 
           .load("/Users/liangyun/CodeFiles/master_tensorflow2_in_20_hours/data/linear_model/1","serve")
        val broads = sc.broadcast(bundle)
        
        //构造预测函数,并将其注册成sparkSQL的udf
        val tfpredict = (features:WrappedArray[Float])  => {
            val bund = broads.value
            val sess = bund.session()
            val x = tf.Tensor.create(Array(features.toArray))
            val y =  sess.runner().feed("serving_default_inputs:0", x)
                     .fetch("StatefulPartitionedCall:0").run().get(0)
            val result = Array.ofDim[Float](y.shape()(0).toInt,y.shape()(1).toInt)
            y.copyTo(result)
            val y_pred = result(0)(0)
            y_pred
        }
        spark.udf.register("tfpredict",tfpredict)
        
        //构造DataFrame数据集,将features放到一列中
        val dfdata = sc.parallelize(List(Array(1.0f,2.0f),Array(3.0f,5.0f),Array(7.0f,8.0f))).toDF("features")
        dfdata.show
        
        //调用sparkSQL预测函数,增加一个新的列作为y_preds
        val dfresult = dfdata.selectExpr("features","tfpredict(features) as y_preds")
        dfresult.show
        bundle.close
    }
}

 

TfDataFrame.main(Array())

 

输出如下:

 

+----------+
|  features|
+----------+
|[1.0, 2.0]|
|[3.0, 5.0]|
|[7.0, 8.0]|
+----------+
+----------+---------+
|  features|  y_preds|
+----------+---------+
|[1.0, 2.0]| 3.019596|
|[3.0, 5.0]|3.9264367|
|[7.0, 8.0]| 8.828995|
+----------+---------+

 

以上我们分别在 Spark 的 RDD 数据结构和 DataFrame 数据结构上实现了调用一个 tf.keras 实现的线性回归模型进行分布式模型推断。

 

在本例基础上稍作修改则可以用 Spark 调用训练好的各种复杂的神经网络模型进行分布式模型推断。但实际上 TensorFlow 并不仅仅适合实现神经网络,其底层的计算图语言可以表达各种数值计算过程。

 

利用其丰富的低阶 API,我们可以在 TensorFlow 2.0 上实现任意机器学习模型,结合 tf.Module 提供的便捷的封装功能,我们可以将训练好的任意机器学习模型导出成模型文件并在 Spark 上分布式调用执行。

 

这无疑为我们的工程应用提供了巨大的想象空间。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注