Ver en TensorFlow.org | Ejecutar en Google Colab | Ver fuente en GitHub | Descargar libreta | Ejecutar en Google Cloud Vertex AI Workbench |
Este instructivo basado en notebook utilizará Google Cloud BigQuery como fuente de datos para entrenar un modelo de ML. La canalización de ML se construirá con TFX y se ejecutará en Google Cloud Vertex Pipelines.
Este cuaderno se basa en la canalización de TFX que construimos en el Tutorial de canalización de TFX simple para canalizaciones de Vertex . Si aún no ha leído ese tutorial, debe leerlo antes de continuar con este cuaderno.
BigQuery es un almacén de datos multinube sin servidor, altamente escalable y rentable diseñado para la agilidad empresarial. TFX se puede usar para leer datos de entrenamiento de BigQuery y publicar el modelo entrenado en BigQuery.
En este instructivo, usaremos el componente BigQueryExampleGen
que lee datos de BigQuery a canalizaciones TFX.
Este cuaderno está diseñado para ejecutarse en Google Colab o en cuadernos de AI Platform . Si no está utilizando uno de estos, simplemente puede hacer clic en el botón "Ejecutar en Google Colab" arriba.
Configurar
Si ha completado el Tutorial de canalización TFX simple para canalizaciones de Vertex , tendrá un proyecto de GCP en funcionamiento y un depósito de GCS y eso es todo lo que necesitamos para este tutorial. Lea primero el tutorial preliminar si se lo perdió.
Instalar paquetes de python
Instalaremos los paquetes de Python necesarios, incluidos TFX y KFP, para crear canalizaciones de aprendizaje automático y enviar trabajos a Vertex Pipelines.
# Use the latest version of pip.
pip install --upgrade pip
pip install --upgrade "tfx[kfp]<2"
¿Reiniciaste el tiempo de ejecución?
Si está utilizando Google Colab, la primera vez que ejecuta la celda anterior, debe reiniciar el tiempo de ejecución haciendo clic en el botón "REINICIAR TIEMPO DE EJECUCIÓN" o usando el menú "Tiempo de ejecución > Reiniciar tiempo de ejecución...". Esto se debe a la forma en que Colab carga los paquetes.
Si no está en Colab, puede reiniciar el tiempo de ejecución con la siguiente celda.
# docs_infra: no_execute
import sys
if not 'google.colab' in sys.modules:
# Automatically restart kernel after installs
import IPython
app = IPython.Application.instance()
app.kernel.do_shutdown(True)
Iniciar sesión en Google para este cuaderno
Si está ejecutando este cuaderno en Colab, autentíquese con su cuenta de usuario:
import sys
if 'google.colab' in sys.modules:
from google.colab import auth
auth.authenticate_user()
Si usa AI Platform Notebooks , autentíquese con Google Cloud antes de ejecutar la siguiente sección, ejecutando
gcloud auth login
en la ventana Terminal (que puede abrir a través de Archivo > Nuevo en el menú). Solo necesita hacer esto una vez por instancia de notebook.
Compruebe las versiones del paquete.
import tensorflow as tf
print('TensorFlow version: {}'.format(tf.__version__))
from tfx import v1 as tfx
print('TFX version: {}'.format(tfx.__version__))
import kfp
print('KFP version: {}'.format(kfp.__version__))
TensorFlow version: 2.7.1 TFX version: 1.6.0 KFP version: 1.8.11
Configurar variables
Configuraremos algunas variables utilizadas para personalizar las canalizaciones a continuación. Se requiere la siguiente información:
- ID y número de proyecto de GCP. Consulte Identificar el ID y el número de su proyecto .
- Región de GCP para ejecutar canalizaciones. Para obtener más información sobre las regiones en las que está disponible Vertex Pipelines, consulte la guía de ubicaciones de Vertex AI .
- Cubo de Google Cloud Storage para almacenar resultados de canalización.
Ingrese los valores requeridos en la celda a continuación antes de ejecutarlo .
GOOGLE_CLOUD_PROJECT = '' # <--- ENTER THIS
GOOGLE_CLOUD_PROJECT_NUMBER = '' # <--- ENTER THIS
GOOGLE_CLOUD_REGION = '' # <--- ENTER THIS
GCS_BUCKET_NAME = '' # <--- ENTER THIS
if not (GOOGLE_CLOUD_PROJECT and GOOGLE_CLOUD_PROJECT_NUMBER and GOOGLE_CLOUD_REGION and GCS_BUCKET_NAME):
from absl import logging
logging.error('Please set all required parameters.')
ERROR:absl:Please set all required parameters.
Configura gcloud
para usar tu proyecto.
gcloud config set project {GOOGLE_CLOUD_PROJECT}
ERROR: (gcloud.config.set) argument VALUE: Must be specified. Usage: gcloud config set SECTION/PROPERTY VALUE [optional flags] optional flags may be --help | --installation For detailed information on this command and its flags, run: gcloud config set --help
PIPELINE_NAME = 'penguin-bigquery'
# Path to various pipeline artifact.
PIPELINE_ROOT = 'gs://{}/pipeline_root/{}'.format(
GCS_BUCKET_NAME, PIPELINE_NAME)
# Paths for users' Python module.
MODULE_ROOT = 'gs://{}/pipeline_module/{}'.format(
GCS_BUCKET_NAME, PIPELINE_NAME)
# Paths for users' data.
DATA_ROOT = 'gs://{}/data/{}'.format(GCS_BUCKET_NAME, PIPELINE_NAME)
# This is the path where your model will be pushed for serving.
SERVING_MODEL_DIR = 'gs://{}/serving_model/{}'.format(
GCS_BUCKET_NAME, PIPELINE_NAME)
print('PIPELINE_ROOT: {}'.format(PIPELINE_ROOT))
PIPELINE_ROOT: gs:///pipeline_root/penguin-bigquery
De manera predeterminada, Vertex Pipelines usa la cuenta de servicio de VM de GCE predeterminada de formato [project-number]-compute@developer.gserviceaccount.com
. Necesitamos otorgar un permiso para usar BigQuery a esta cuenta para acceder a BigQuery en la canalización. Agregaremos la función "Usuario de BigQuery" a la cuenta.
!gcloud projects add-iam-policy-binding {GOOGLE_CLOUD_PROJECT} \
--member=serviceAccount:{GOOGLE_CLOUD_PROJECT_NUMBER}-compute@developer.gserviceaccount.com \
--role=roles/bigquery.user
ERROR: (gcloud.projects.add-iam-policy-binding) argument PROJECT_ID: Must be specified. Usage: gcloud projects add-iam-policy-binding PROJECT_ID --member=PRINCIPAL --role=ROLE [optional flags] optional flags may be --condition | --condition-from-file | --help For detailed information on this command and its flags, run: gcloud projects add-iam-policy-binding --help
Consulte la documentación de Vertex para obtener más información sobre las cuentas de servicio y la configuración de IAM.
Crear una canalización
Las canalizaciones de TFX se definen mediante las API de Python, tal como lo hicimos en el Tutorial de canalización de TFX simple para canalizaciones de Vertex . Anteriormente usamos CsvExampleGen
que lee datos de un archivo CSV. En este tutorial, usaremos el componente BigQueryExampleGen
que lee datos de BigQuery.
Preparar consulta de BigQuery
Usaremos el mismo conjunto de datos de Palmer Penguins . Sin embargo, lo leeremos de una tabla de BigQuery tfx-oss-public.palmer_penguins.palmer_penguins
que se completa con el mismo archivo CSV.
Si usa Google Colab, puede examinar el contenido de la tabla de BigQuery directamente.
# docs_infra: no_execute
%%bigquery --project {GOOGLE_CLOUD_PROJECT}
SELECT *
FROM `tfx-oss-public.palmer_penguins.palmer_penguins`
LIMIT 5
Todas las características ya se normalizaron a 0~1, excepto las species
que es la etiqueta. Construiremos un modelo de clasificación que prediga las species
de pingüinos.
BigQueryExampleGen
requiere una consulta para especificar qué datos recuperar. Debido a que usaremos todos los campos de todas las filas de la tabla, la consulta es bastante simple. También puede especificar nombres de campo y agregar condiciones WHERE
según sea necesario de acuerdo con la sintaxis SQL estándar de BigQuery .
QUERY = "SELECT * FROM `tfx-oss-public.palmer_penguins.palmer_penguins`"
Escriba el código del modelo.
Usaremos el mismo código de modelo que en el Tutorial de canalización TFX simple .
_trainer_module_file = 'penguin_trainer.py'
%%writefile {_trainer_module_file}
# Copied from https://www.tensorflow.org/tfx/tutorials/tfx/penguin_simple
from typing import List
from absl import logging
import tensorflow as tf
from tensorflow import keras
from tensorflow_transform.tf_metadata import schema_utils
from tfx import v1 as tfx
from tfx_bsl.public import tfxio
from tensorflow_metadata.proto.v0 import schema_pb2
_FEATURE_KEYS = [
'culmen_length_mm', 'culmen_depth_mm', 'flipper_length_mm', 'body_mass_g'
]
_LABEL_KEY = 'species'
_TRAIN_BATCH_SIZE = 20
_EVAL_BATCH_SIZE = 10
# Since we're not generating or creating a schema, we will instead create
# a feature spec. Since there are a fairly small number of features this is
# manageable for this dataset.
_FEATURE_SPEC = {
**{
feature: tf.io.FixedLenFeature(shape=[1], dtype=tf.float32)
for feature in _FEATURE_KEYS
},
_LABEL_KEY: tf.io.FixedLenFeature(shape=[1], dtype=tf.int64)
}
def _input_fn(file_pattern: List[str],
data_accessor: tfx.components.DataAccessor,
schema: schema_pb2.Schema,
batch_size: int) -> tf.data.Dataset:
"""Generates features and label for training.
Args:
file_pattern: List of paths or patterns of input tfrecord files.
data_accessor: DataAccessor for converting input to RecordBatch.
schema: schema of the input data.
batch_size: representing the number of consecutive elements of returned
dataset to combine in a single batch
Returns:
A dataset that contains (features, indices) tuple where features is a
dictionary of Tensors, and indices is a single Tensor of label indices.
"""
return data_accessor.tf_dataset_factory(
file_pattern,
tfxio.TensorFlowDatasetOptions(
batch_size=batch_size, label_key=_LABEL_KEY),
schema=schema).repeat()
def _make_keras_model() -> tf.keras.Model:
"""Creates a DNN Keras model for classifying penguin data.
Returns:
A Keras Model.
"""
# The model below is built with Functional API, please refer to
# https://www.tensorflow.org/guide/keras/overview for all API options.
inputs = [keras.layers.Input(shape=(1,), name=f) for f in _FEATURE_KEYS]
d = keras.layers.concatenate(inputs)
for _ in range(2):
d = keras.layers.Dense(8, activation='relu')(d)
outputs = keras.layers.Dense(3)(d)
model = keras.Model(inputs=inputs, outputs=outputs)
model.compile(
optimizer=keras.optimizers.Adam(1e-2),
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=[keras.metrics.SparseCategoricalAccuracy()])
model.summary(print_fn=logging.info)
return model
# TFX Trainer will call this function.
def run_fn(fn_args: tfx.components.FnArgs):
"""Train the model based on given args.
Args:
fn_args: Holds args used to train the model as name/value pairs.
"""
# This schema is usually either an output of SchemaGen or a manually-curated
# version provided by pipeline author. A schema can also derived from TFT
# graph if a Transform component is used. In the case when either is missing,
# `schema_from_feature_spec` could be used to generate schema from very simple
# feature_spec, but the schema returned would be very primitive.
schema = schema_utils.schema_from_feature_spec(_FEATURE_SPEC)
train_dataset = _input_fn(
fn_args.train_files,
fn_args.data_accessor,
schema,
batch_size=_TRAIN_BATCH_SIZE)
eval_dataset = _input_fn(
fn_args.eval_files,
fn_args.data_accessor,
schema,
batch_size=_EVAL_BATCH_SIZE)
model = _make_keras_model()
model.fit(
train_dataset,
steps_per_epoch=fn_args.train_steps,
validation_data=eval_dataset,
validation_steps=fn_args.eval_steps)
# The result of the training should be saved in `fn_args.serving_model_dir`
# directory.
model.save(fn_args.serving_model_dir, save_format='tf')
Writing penguin_trainer.py
Copie el archivo del módulo en GCS, al que se puede acceder desde los componentes de la canalización. Debido a que el entrenamiento del modelo ocurre en GCP, necesitamos cargar esta definición del modelo.
De lo contrario, es posible que desee crear una imagen de contenedor que incluya el archivo del módulo y usar la imagen para ejecutar la canalización.
gsutil cp {_trainer_module_file} {MODULE_ROOT}/
InvalidUrlError: Cloud URL scheme should be followed by colon and two slashes: "://". Found: "gs:///pipeline_module/penguin-bigquery/".
Escribir una definición de canalización
Definiremos una función para crear una canalización TFX. Necesitamos usar BigQueryExampleGen
, que toma la query
como argumento. Un cambio más con respecto al tutorial anterior es que necesitamos pasar beam_pipeline_args
que se pasa a los componentes cuando se ejecutan. Usaremos beam_pipeline_args
para pasar parámetros adicionales a BigQuery.
from typing import List, Optional
def _create_pipeline(pipeline_name: str, pipeline_root: str, query: str,
module_file: str, serving_model_dir: str,
beam_pipeline_args: Optional[List[str]],
) -> tfx.dsl.Pipeline:
"""Creates a TFX pipeline using BigQuery."""
# NEW: Query data in BigQuery as a data source.
example_gen = tfx.extensions.google_cloud_big_query.BigQueryExampleGen(
query=query)
# Uses user-provided Python function that trains a model.
trainer = tfx.components.Trainer(
module_file=module_file,
examples=example_gen.outputs['examples'],
train_args=tfx.proto.TrainArgs(num_steps=100),
eval_args=tfx.proto.EvalArgs(num_steps=5))
# Pushes the model to a file destination.
pusher = tfx.components.Pusher(
model=trainer.outputs['model'],
push_destination=tfx.proto.PushDestination(
filesystem=tfx.proto.PushDestination.Filesystem(
base_directory=serving_model_dir)))
components = [
example_gen,
trainer,
pusher,
]
return tfx.dsl.Pipeline(
pipeline_name=pipeline_name,
pipeline_root=pipeline_root,
components=components,
# NEW: `beam_pipeline_args` is required to use BigQueryExampleGen.
beam_pipeline_args=beam_pipeline_args)
Ejecute la canalización en Vertex Pipelines.
Usaremos Vertex Pipelines para ejecutar la canalización como lo hicimos en el tutorial Simple TFX Pipeline para Vertex Pipelines .
También debemos pasar beam_pipeline_args
para BigQueryExampleGen. Incluye configuraciones como el nombre del proyecto GCP y el almacenamiento temporal para la ejecución de BigQuery.
import os
# We need to pass some GCP related configs to BigQuery. This is currently done
# using `beam_pipeline_args` parameter.
BIG_QUERY_WITH_DIRECT_RUNNER_BEAM_PIPELINE_ARGS = [
'--project=' + GOOGLE_CLOUD_PROJECT,
'--temp_location=' + os.path.join('gs://', GCS_BUCKET_NAME, 'tmp'),
]
PIPELINE_DEFINITION_FILE = PIPELINE_NAME + '_pipeline.json'
runner = tfx.orchestration.experimental.KubeflowV2DagRunner(
config=tfx.orchestration.experimental.KubeflowV2DagRunnerConfig(),
output_filename=PIPELINE_DEFINITION_FILE)
_ = runner.run(
_create_pipeline(
pipeline_name=PIPELINE_NAME,
pipeline_root=PIPELINE_ROOT,
query=QUERY,
module_file=os.path.join(MODULE_ROOT, _trainer_module_file),
serving_model_dir=SERVING_MODEL_DIR,
beam_pipeline_args=BIG_QUERY_WITH_DIRECT_RUNNER_BEAM_PIPELINE_ARGS))
El archivo de definición generado se puede enviar mediante el cliente kfp.
# docs_infra: no_execute
from google.cloud import aiplatform
from google.cloud.aiplatform import pipeline_jobs
aiplatform.init(project=GOOGLE_CLOUD_PROJECT, location=GOOGLE_CLOUD_REGION)
job = pipeline_jobs.PipelineJob(template_path=PIPELINE_DEFINITION_FILE,
display_name=PIPELINE_NAME)
job.run(sync=False)
Ahora puede visitar 'Vertex AI > Pipelines' en Google Cloud Console para ver el progreso.