एमएल समुदाय दिवस 9 नवंबर है! TensorFlow, JAX से नई जानकारी के लिए हमसे जुड़ें, और अधिक जानें

TFX और Vertex पाइपलाइनों के साथ BigQuery से डेटा पढ़ना

इस नोटबुक आधारित ट्यूटोरियल का उपयोग करेगा Google मेघ BigQuery एक एमएल मॉडल प्रशिक्षित करने के लिए डेटा स्रोत के रूप। एमएल पाइपलाइन का निर्माण टीएफएक्स का उपयोग करके किया जाएगा और गूगल क्लाउड वर्टेक्स पाइपलाइनों पर चलेगा।

इस नोटबुक TFX पाइपलाइन हम में बनाया पर आधारित है वर्टेक्स पाइपलाइन ट्यूटोरियल के लिए सरल TFX पाइपलाइन । यदि आपने अभी तक उस ट्यूटोरियल को नहीं पढ़ा है, तो इस नोटबुक के साथ आगे बढ़ने से पहले आपको इसे पढ़ना चाहिए।

BigQuery serverless, अत्यधिक स्केलेबल, और लागत प्रभावी बहु क्लाउड डेटा व्यवसाय चपलता के लिए बनाया गया गोदाम है। TFX BigQuery से प्रशिक्षण डेटा को पढ़ने के लिए और करने के लिए इस्तेमाल किया जा सकता प्रशिक्षित मॉडल प्रकाशित BigQuery में।

इस ट्यूटोरियल में, हम का उपयोग करेगा BigQueryExampleGen घटक है जो TFX पाइपलाइनों करने के लिए BigQuery से डेटा पढ़ता है।

इस नोटबुक पर चलाया जा करने का इरादा है गूगल Colab या पर ऐ मंच नोटबुक । यदि आप इनमें से किसी एक का उपयोग नहीं कर रहे हैं, तो आप बस ऊपर "Google Colab में चलाएँ" बटन पर क्लिक कर सकते हैं।

सेट अप

आप पूरी कर ली है वर्टेक्स पाइपलाइन ट्यूटोरियल के लिए सरल TFX पाइपलाइन , आप एक काम कर जीसीपी परियोजना और एक GCS बाल्टी होगा और कहा कि सभी हम इस ट्यूटोरियल के लिए की जरूरत है। यदि आप चूक गए हैं तो कृपया पहले प्रारंभिक ट्यूटोरियल पढ़ें।

पायथन पैकेज स्थापित करें

हम लेखक एमएल पाइपलाइनों के लिए टीएफएक्स और केएफपी सहित आवश्यक पायथन पैकेज स्थापित करेंगे और वर्टेक्स पाइपलाइनों को नौकरियां जमा करेंगे।

# Use the latest version of pip.
pip install --upgrade pip
pip install --upgrade "tfx[kfp]<2"

क्या आपने रनटाइम को पुनरारंभ किया?

यदि आप Google Colab का उपयोग कर रहे हैं, जब आप पहली बार ऊपर सेल चलाते हैं, तो आपको ऊपर "Runtime RUNTIME" बटन पर क्लिक करके या "रनटाइम> रनटाइम को पुनरारंभ करें ..." मेनू का उपयोग करके रनटाइम को पुनरारंभ करना होगा। ऐसा इसलिए है क्योंकि Colab संकुल को लोड करता है।

यदि आप Colab पर नहीं हैं, तो आप निम्न सेल के साथ रनटाइम को पुनरारंभ कर सकते हैं।

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)

इस नोटबुक के लिए Google में लॉगिन करें

यदि आप इस नोटबुक को Colab पर चला रहे हैं, तो अपने उपयोगकर्ता खाते से प्रमाणित करें:

import sys
if 'google.colab' in sys.modules:
  from google.colab import auth
  auth.authenticate_user()

आप अगले अनुभाग चल रहा है, चलाकर से पहले पर ऐ मंच नोटबुक, Google मेघ के साथ प्रमाणित कर रहे हैं

gcloud auth login

टर्मिनल विंडो में (जो आप फ़ाइल के माध्यम से खोल सकते हैं> मेनू में नया)। आपको प्रति नोटबुक इंस्टेंस में केवल एक बार ऐसा करने की आवश्यकता है।

पैकेज संस्करणों की जाँच करें।

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: 2.5.1
TFX version: 1.2.0
KFP version: 1.8.1

चर सेट करें

हम नीचे पाइपलाइनों को अनुकूलित करने के लिए उपयोग किए जाने वाले कुछ चर स्थापित करेंगे। निम्नलिखित जानकारी आवश्यक है:

चलाने से पहले नीचे सेल में आवश्यक मान दर्ज करें।

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.

सेट gcloud अपनी परियोजना का उपयोग करने के।

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

डिफ़ॉल्ट रूप से वर्टेक्स पाइपलाइन प्रारूप के डिफ़ॉल्ट GCE वीएम सेवा खाते का उपयोग करता है [project-number]-compute@developer.gserviceaccount.com । पाइपलाइन में BigQuery तक पहुंचने के लिए हमें इस खाते में BigQuery का उपयोग करने की अनुमति देनी होगी। हम खाते में 'बिगक्वेरी उपयोगकर्ता' की भूमिका जोड़ देंगे।

!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

कृपया देखें वर्टेक्स प्रलेखन सेवा खाते और IAM विन्यास के बारे में अधिक जानने के लिए।

एक पाइपलाइन बनाएं

TFX पाइपलाइनों अजगर API का उपयोग करके परिभाषित कर रहे हैं के रूप में हम में किया था वर्टेक्स पाइपलाइन ट्यूटोरियल के लिए सरल TFX पाइपलाइन । हम पहले से इस्तेमाल किया CsvExampleGen जो एक CSV फ़ाइल से डेटा पढ़ता है। इस ट्यूटोरियल में, हम का उपयोग करेगा BigQueryExampleGen घटक है जो BigQuery से डेटा पढ़ता है।

BigQuery क्वेरी तैयार करें

हम एक ही उपयोग करेगा पामर पेंगुइन डाटासेट । हालांकि, हम यह एक BigQuery मेज से पढ़ा जाएगा tfx-oss-public.palmer_penguins.palmer_penguins जो एक ही CSV फ़ाइल का उपयोग कर भरा जाता है।

अगर आप Google Colab का इस्तेमाल कर रहे हैं, तो आप सीधे BigQuery टेबल की सामग्री की जांच कर सकते हैं.

%%bigquery --project {GOOGLE_CLOUD_PROJECT}
SELECT *
FROM `tfx-oss-public.palmer_penguins.palmer_penguins`
LIMIT 5

सभी सुविधाओं को पहले से ही छोड़कर 0 ~ 1 के लिए सामान्यीकृत थे species जो लेबल है। हम एक वर्गीकरण मॉडल जो भविष्यवाणी का निर्माण करेगा species पेंगुइन की।

BigQueryExampleGen जो डेटा प्राप्त करने का निर्दिष्ट करने के लिए एक प्रश्न की आवश्यकता है। क्योंकि हम तालिका में सभी पंक्तियों के सभी क्षेत्रों का उपयोग करेंगे, क्वेरी काफी सरल है। तुम भी फ़ील्ड नाम निर्दिष्ट करें और जोड़ सकते हैं WHERE के रूप में की जरूरत के अनुसार स्थिति BigQuery स्टैंडर्ड SQL सिंटैक्स

QUERY = "SELECT * FROM `tfx-oss-public.palmer_penguins.palmer_penguins`"

मॉडल कोड लिखें।

हम में के रूप में एक ही मॉडल कोड का उपयोग करेगा सरल TFX पाइपलाइन ट्यूटोरियल

_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

मॉड्यूल फ़ाइल को GCS में कॉपी करें जिसे पाइपलाइन घटकों से एक्सेस किया जा सकता है। चूंकि मॉडल प्रशिक्षण GCP पर होता है, इसलिए हमें इस मॉडल परिभाषा को अपलोड करने की आवश्यकता है।

अन्यथा, आप मॉड्यूल फ़ाइल सहित एक कंटेनर छवि बनाना चाहते हैं और पाइपलाइन चलाने के लिए छवि का उपयोग कर सकते हैं।

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/".

एक पाइपलाइन परिभाषा लिखें

हम TFX पाइपलाइन बनाने के लिए एक फ़ंक्शन को परिभाषित करेंगे। हम उपयोग करने की आवश्यकता BigQueryExampleGen जो लेता query एक तर्क के रूप। पिछले ट्यूटोरियल से एक और परिवर्तन है कि हम पारित करने के लिए की जरूरत है beam_pipeline_args जो घटकों के लिए पारित हो जाता है, जब वे क्रियान्वित कर रहे हैं। हम का उपयोग करेगा beam_pipeline_args BigQuery में अतिरिक्त पैरामीटर पारित करने के लिए।

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)

पाइपलाइन को वर्टेक्स पाइपलाइनों पर चलाएँ।

हम के रूप में हम में किया था पाइप लाइन को चलाने के लिए वर्टेक्स पाइपलाइन का उपयोग करेगा वर्टेक्स पाइपलाइन ट्यूटोरियल के लिए सरल TFX पाइपलाइन

हम यह भी पास करनी होगी beam_pipeline_args BigQueryExampleGen के लिए। इसमें GCP प्रोजेक्ट के नाम और BigQuery निष्पादन के लिए अस्थायी संग्रहण जैसे कॉन्फ़िगरेशन शामिल हैं।

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))

उत्पन्न परिभाषा फ़ाइल kfp क्लाइंट का उपयोग करके प्रस्तुत की जा सकती है।

from kfp.v2.google import client

pipelines_client = client.AIPlatformClient(
    project_id=GOOGLE_CLOUD_PROJECT,
    region=GOOGLE_CLOUD_REGION,
)

_ = pipelines_client.create_run_from_job_spec(PIPELINE_DEFINITION_FILE)

अब आप ऊपर या यात्रा 'वर्टेक्स ऐ> पाइपलाइन' में उत्पादन में लिंक पर जा सकते हैं Google क्लाउड कंसोल प्रगति देखने के लिए।