使用“模型创作SDK”创建特征管道

重要

功能管道当前仅通过API可用。

Adobe Experience Platform允许您构建和创建自定义功能管道,通过Sensei机器学习框架运行时(以下简称“运行时”)大规模执行功能工程。

本文档介绍在功能管道中找到的各种类,并提供了使用PySpark中的模型创作SDK创建自定义功能管道的分步教程。

在运行特征管线时,将执行以下工作流:

  1. 菜谱将数据集加载到管道中。
  2. 对数据集进行功能转换并写入Adobe Experience Platform。
  3. 所转换的数据被加载用于培训。
  4. 特征流水线以梯度提升回归器为模型来定义阶段。
  5. 该管道用于拟合训练数据,并创建训练模型。
  6. 该模型与评分数据集进行转换。
  7. 然后,选择输出中有趣的列,并使用相关数据保存回Experience Platform。

入门指南

要在任何组织中运行菜谱,必须执行以下操作:

  • 输入数据集。
  • 数据集的模式。
  • 转换的模式和基于该模式的空数据集。
  • 输出模式和基于该模式的空数据集。

以上所有数据集都需要上传到Platform UI。 要设置此设置,请使用Adobe提供的bootstrap脚本

特征管线类

下表描述了构建特征管线时必须扩展的主要抽象类:

抽象类 描述
DataLoader DataLoader类提供用于检索输入数据的实现。
DatasetTransformer DatasetTransformer类提供转换输入数据集的实现。 您可以选择不提供DatasetTransformer类,而是在FeaturePipelineFactory类中实现您的功能工程逻辑。
功能管道工厂 FeaturePipelineFactory类构建由一系列Spark Transporters组成的Spark Pipeline,以执行功能工程。 您可以选择不提供FeaturePipelineFactory类,而是在DatasetTransformer类中实现您的功能工程逻辑。
数据保护程序 DataSaver类提供存储功能数据集的逻辑。

启动Feature Pipeline作业时,运行时首先执行DataLoader以将输入数据加载为DataFrame,然后通过执行DatasetTransformer、FeaturePipelineFactory或二者来修改DataFrame。 最后,生成的特征数据集通过DataSaver进行存储。

以下流程图显示了运行时的执行顺序:

实现功能管线类

以下各节提供了有关为特征管道实现所需类的详细信息和示例。

在配置JSON文件中定义变量

配置JSON文件由键值对组成,旨在指定任何变量,以便在运行时稍后定义。 这些键值对可以定义诸如输入数据集位置、输出数据集ID、租户ID、列标题等属性。

以下示例演示了在配置文件中找到的键值对:

配置JSON示例

[
    {
        "name": "fp",
        "parameters": [
            {
                "key": "dataset_id",
                "value": "000"
            },
            {
                "key": "featureDatasetId",
                "value": "111"
            },
            {
                "key": "tenantId",
                "value": "_tenantid"
            }
        ]
    }
]

您可以通过将config_properties定义为参数的任何类方法访问配置JSON。 例如:

PySpark

dataset_id = str(config_properties.get(dataset_id))

有关更详细的配置示例,请参阅Data Science Workspace提供的pipeline.json文件。

使用DataLoader准备输入数据

DataLoader负责检索和过滤输入数据。 DataLoader的实现必须扩展抽象类DataLoader并覆盖抽象方法load

下面的示例按ID检索Platform数据集,并将其作为DataFrame返回,其中数据集ID(dataset_id)是配置文件中定义的属性。

PySpark示例

# PySpark

from pyspark.sql.types import StringType, TimestampType
from pyspark.sql.functions import col, lit, struct
import logging

class MyDataLoader(DataLoader):
    def load_dataset(config_properties, spark, tenant_id, dataset_id):
    PLATFORM_SDK_PQS_PACKAGE = "com.adobe.platform.query"
    PLATFORM_SDK_PQS_INTERACTIVE = "interactive"

    service_token = str(spark.sparkContext.getConf().get("ML_FRAMEWORK_IMS_ML_TOKEN"))
    user_token = str(spark.sparkContext.getConf().get("ML_FRAMEWORK_IMS_TOKEN"))
    org_id = str(spark.sparkContext.getConf().get("ML_FRAMEWORK_IMS_ORG_ID"))
    api_key = str(spark.sparkContext.getConf().get("ML_FRAMEWORK_IMS_CLIENT_ID"))

    dataset_id = str(config_properties.get(dataset_id))

    for arg in ['service_token', 'user_token', 'org_id', 'dataset_id', 'api_key']:
        if eval(arg) == 'None':
            raise ValueError("%s is empty" % arg)

    query_options = get_query_options(spark.sparkContext)

    pd = spark.read.format(PLATFORM_SDK_PQS_PACKAGE) \
        .option(query_options.userToken(), user_token) \
        .option(query_options.serviceToken(), service_token) \
        .option(query_options.imsOrg(), org_id) \
        .option(query_options.apiKey(), api_key) \
        .option(query_options.mode(), PLATFORM_SDK_PQS_INTERACTIVE) \
        .option(query_options.datasetId(), dataset_id) \
        .load()
    pd.show()

    # Get the distinct values of the dataframe
    pd = pd.distinct()

    # Flatten the data
    if tenant_id in pd.columns:
        pd = pd.select(col(tenant_id + ".*"))

    return pd

使用DatasetTransformer转换数据集

DatasetTransformer提供用于转换输入DataFrame的逻辑并返回新的派生DataFrame。 可以实现此类,以与FeaturePipelineFactory协同工作、作为唯一的特征工程组件工作,或者您可以选择不实现此类。

以下示例扩展了DatasetTransformer类:

PySpark示例

# PySpark

from sdk.dataset_transformer import DatasetTransformer
from pyspark.ml.feature import StringIndexer
from pyspark.sql.types import IntegerType
from pyspark.sql.functions import unix_timestamp, from_unixtime, to_date, lit, lag, udf, date_format, lower, col, split, explode
from pyspark.sql import Window
from .helper import setupLogger

class MyDatasetTransformer(DatasetTransformer):
    logger = setupLogger(__name__)

    def transform(self, config_properties, dataset):
        tenant_id = str(config_properties.get("tenantId"))

        # Flatten the data
        if tenant_id in dataset.columns:
            self.logger.info("Flatten the data before transformation")
            dataset = dataset.select(col(tenant_id + ".*"))
            dataset.show()

        # Convert isHoliday boolean value to Int
        # Rename the column to holiday and drop isHoliday
        pd = dataset.withColumn("holiday", col("isHoliday").cast(IntegerType())).drop("isHoliday")
        pd.show()

        # Get the week and year from date
        pd = pd.withColumn("week", date_format(to_date("date", "MM/dd/yy"), "w").cast(IntegerType()))
        pd = pd.withColumn("year", date_format(to_date("date", "MM/dd/yy"), "Y").cast(IntegerType()))

        # Convert the date to TimestampType
        pd = pd.withColumn("date", to_date(unix_timestamp(pd["date"], "MM/dd/yy").cast("timestamp")))

        # Convert categorical data
        indexer = StringIndexer(inputCol="storeType", outputCol="storeTypeIndex")
        pd = indexer.fit(pd).transform(pd)

        # Get the WeeklySalesAhead and WeeklySalesLag column values
        window = Window.orderBy("date").partitionBy("store")
        pd = pd.withColumn("weeklySalesLag", lag("weeklySales", 1).over(window)).na.drop(subset=["weeklySalesLag"])
        pd = pd.withColumn("weeklySalesAhead", lag("weeklySales", -1).over(window)).na.drop(subset=["weeklySalesAhead"])
        pd = pd.withColumn("weeklySalesScaled", lag("weeklySalesAhead", -1).over(window)).na.drop(subset=["weeklySalesScaled"])
        pd = pd.withColumn("weeklySalesDiff", (pd['weeklySales'] - pd['weeklySalesLag'])/pd['weeklySalesLag'])

        pd = pd.na.drop()
        self.logger.debug("Transformed dataset count is %s " % pd.count())

        # return transformed dataframe
        return pd

使用FeaturePipelineFactory工程数据功能

FeaturePipelineFactory允许您通过Spark Pipeline定义一系列Spark Transporters并将其链接到一起,从而实施您的功能工程逻辑。 可以实现此类,以与DatasetTransformer协作,作为唯一的特征工程组件,或选择不实现此类。

下面的示例扩展了FeaturePipelineFactory类:

PySpark示例

# PySpark

from pyspark.ml import Pipeline
from pyspark.ml.regression import GBTRegressor
from pyspark.ml.feature import VectorAssembler

import numpy as np

from sdk.pipeline_factory import PipelineFactory

class MyFeaturePipelineFactory(FeaturePipelineFactory):

    def apply(self, config_properties):
        if config_properties is None:
            raise ValueError("config_properties parameter is null")

        tenant_id = str(config_properties.get("tenantId"))
        input_features = str(config_properties.get("ACP_DSW_INPUT_FEATURES"))

        if input_features is None:
            raise ValueError("input_features parameter is null")
        if input_features.startswith(tenant_id):
            input_features = input_features.replace(tenant_id + ".", "")

        learning_rate = float(config_properties.get("learning_rate"))
        n_estimators = int(config_properties.get("n_estimators"))
        max_depth = int(config_properties.get("max_depth"))

        feature_list = list(input_features.split(","))
        feature_list.remove("date")
        feature_list.remove("storeType")

        cols = np.array(feature_list)

        # Gradient-boosted tree estimator
        gbt = GBTRegressor(featuresCol='features', labelCol='weeklySalesAhead', predictionCol='prediction',
                       maxDepth=max_depth, maxBins=n_estimators, stepSize=learning_rate)

        # Assemble the fields to a vector
        assembler = VectorAssembler(inputCols=cols, outputCol="features")

        # Construct the pipeline
        pipeline = Pipeline(stages=[assembler, gbt])

        return pipeline

    def train(self, config_properties, dataframe):
        pass

    def score(self, config_properties, dataframe, model):
        pass

    def getParamMap(self, config_properties, sparkSession):
        return None

使用DataSaver存储您的功能数据集

DataSaver负责将您生成的功能数据集存储到存储位置。 您对DataSaver的实现必须扩展抽象类DataSaver并覆盖抽象方法save

以下示例扩展了按ID将数据存储到Platform数据集的DataSaver类,其中数据集ID(featureDatasetId)和租户ID(tenantId)是配置中定义的属性。

PySpark示例

# PySpark

from sdk.data_saver import DataSaver
from pyspark.sql.types import StringType, TimestampType
from pyspark.sql.functions import col, lit, struct


class MyDataSaver(DataSaver):
    def save(self, configProperties, data_feature):

        # Spark context
        sparkContext = data_features._sc

        # preliminary checks
        if configProperties is None:
            raise ValueError("configProperties parameter is null")
        if data_features is None:
            raise ValueError("data_features parameter is null")
        if sparkContext is None:
            raise ValueError("sparkContext parameter is null")

        # prepare variables
        timestamp = "2019-01-01 00:00:00"
        output_dataset_id = str(
            configProperties.get("featureDatasetId"))
        tenant_id = str(
            configProperties.get("tenantId"))
        service_token = str(
            sparkContext.getConf().get("ML_FRAMEWORK_IMS_ML_TOKEN"))
        user_token = str(
            sparkContext.getConf().get("ML_FRAMEWORK_IMS_TOKEN"))
        org_id = str(
            sparkContext.getConf().get("ML_FRAMEWORK_IMS_ORG_ID"))
        api_key = str(
            sparkContext.getConf().get("ML_FRAMEWORK_IMS_CLIENT_ID"))

        # validate variables
        for arg in ['output_dataset_id', 'tenant_id', 'service_token', 'user_token', 'org_id', 'api_key']:
            if eval(arg) == 'None':
                raise ValueError("%s is empty" % arg)

        # create and prepare DataFrame with valid columns
        output_df = data_features.withColumn("date", col("date").cast(StringType()))
        output_df = output_df.withColumn(tenant_id, struct(col("date"), col("store"), col("features")))
        output_df = output_df.withColumn("timestamp", lit(timestamp).cast(TimestampType()))
        output_df = output_df.withColumn("_id", lit("empty"))
        output_df = output_df.withColumn("eventType", lit("empty"))

        # store data into dataset
        output_df.select(tenant_id, "_id", "eventType", "timestamp") \
            .write.format("com.adobe.platform.dataset") \
            .option('orgId', org_id) \
            .option('serviceToken', service_token) \
            .option('userToken', user_token) \
            .option('serviceApiKey', api_key) \
            .save(output_dataset_id)

在应用程序文件中指定实现的类名

既然定义并实现了功能管线类,则必须在应用程序YAML文件中指定类的名称。

下面的示例指定实现的类名:

PySpark示例

#Name of the class which contains implementation to get the input data.
feature.dataLoader: InputDataLoaderForFeaturePipeline

#Name of the class which contains implementation to get the transformed data.
feature.dataset.transformer: MyDatasetTransformer

#Name of the class which contains implementation to save the transformed data.
feature.dataSaver: DatasetSaverForTransformedData

#Name of the class which contains implementation to get the training data
training.dataLoader: TrainingDataLoader

#Name of the class which contains pipeline. It should implement PipelineFactory.scala
pipeline.class: TrainPipeline

#Name of the class which contains implementation for evaluation metrics.
evaluator: Evaluator
evaluateModel: True

#Name of the class which contains implementation to get the scoring data.
scoring.dataLoader: ScoringDataLoader

#Name of the class which contains implementation to save the scoring data.
scoring.dataSaver: MyDatasetSaver

使用API创建您的功能管道引擎

既然您已经创作了功能管道,您需要创建一个Docker图像,以调用Sensei Machine Learning API中的功能管道端点。 要调用功能管线端点,您需要Docker图像URL。

小贴士

如果您没有Docker URL,请访问将源文件打包到菜谱教程,以了解有关创建Docker主机URL的分步演练。

或者,您也可以使用以下Postman集合来帮助完成功能管道API工作流:

https://www.postman.com/collections/c5fc0d1d5805a5ddd41a

创建功能管线引擎

在您拥有Docker图像位置后,您可以通过对/engines执行POST,使用Sensei Machine Learning API创建功能管道引擎🔗。 成功创建功能管道引擎可为您提供引擎唯一标识符(id)。 请确保在继续之前保存此值。

创建MLInstance

使用新创建的engineID,您需要通过向/mlInstance端点发出POST请求,创建MLIstance。 成功的响应返回一个有效负载,其中包含新创建的MLInstance的详细信息,包括在下一个API调用中使用的唯一标识符(id)。

创建实验

接下来,您需要创建Emperity。 要创建实验,您需要具有MLIstance唯一标识符(id)并向/experiment端点发出POST请求。 成功的响应返回一个有效负载,其中包含新创建的实验的详细信息,包括在下一个API调用中使用的唯一标识符(id)。

指定“实验”运行功能管线任务

创建实验后,必须将实验的模式更改为featurePipeline。 要更改模式,请使用EXPERIMENT_IDexperiments/{EXPERIMENT_ID}/runs进行额外的POST,并在正文中发送{ "mode":"featurePipeline"}以指定功能管线“Emperice run”。

完成后,向/experiments/{EXPERIMENT_ID}发出GET请求以检索实验状态并等待实验状态更新以完成。

指定“实验”运行培训任务

接下来,您需要指定培训运行任务。 将POST设置为experiments/{EXPERIMENT_ID}/runs,在正文中将模式设置为train并发送包含培训参数的任务数组。 成功的响应返回包含所请求实验的详细信息的有效负荷。

完成后,向/experiments/{EXPERIMENT_ID}发出GET请求以检索实验状态并等待实验状态更新以完成。

指定“Emperice run scoring”任务

注意

要完成此步骤,您至少需要有一个成功的培训运行与您的实验关联。

成功运行培训后,您需要指定得分运行任务。 将POST设置为experiments/{EXPERIMENT_ID}/runs,并在正文中将mode属性设置为“score”。 这将开始您的得分实验运行。

完成后,向/experiments/{EXPERIMENT_ID}发出GET请求以检索实验状态并等待实验状态更新以完成。

评分完成后,您的功能管道应可运行。

后续步骤

通过阅读此文档,您使用“模型创作SDK”创作了一个功能管道,创建了一个Docker图像,并使用Docker图像URL通过使用Sensei Machine Learning API创建了功能管道模型。 现在,您可以继续使用Sensei Machine Learning API大规模转换数据集和提取数据功能。

在此页面上