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:
要在任何组织中运行菜谱,必须执行以下操作:
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。
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:
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。
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。
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
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
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
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)
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
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。
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
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。
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
)。
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
)。
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_ID
对experiments/{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。
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。
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。
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。