Experience League

Exit search

使用「模型編寫SDK」建立功能管線

重要

功能管道目前僅透過API提供。

Adobe Experience Platform可讓您建立和建立自訂功能管道，以透過Sensei機器學習架構執行時期（以下稱為「執行時期」）大規模執行功能工程。

本檔案說明在功能管道中找到的各種類別，並提供使用PySpark中的Model Authoring SDK建立自訂功能管道的逐步教學課程。

在運行特徵管線時，會發生以下工作流：

方式會將資料集載入管線。
在資料集上進行特徵轉換並寫回Adobe Experience Platform。
所轉換的資料被載入用於訓練。
特徵流水線以梯度提升回歸器為模型定義各階段。
該管道用於擬合訓練資料，並建立訓練模型。
利用計分資料集對模型進行了轉換。
然後，選擇輸出的有趣列，並將其與相關資料保存回Experience Platform。

快速入門

要在任何組織中運行處方，必須執行以下操作：

輸入資料集。
資料集的架構。
轉換的模式和基於該模式的空資料集。
輸出模式和基於該模式的空資料集。

上述所有資料集都必須上傳至Platform UI。要設定此設定，請使用Adobe提供的引導指令碼。

特徵管線類

下表說明了為了構建特徵管線而必須擴展的主要抽象類：

抽象類	說明
DataLoader	DataLoader類提供了用於檢索輸入資料的實現。
DatasetTransformer	DatasetTransformer類提供轉換輸入資料集的實現。您可以選擇不提供DatasetTransformer類別，並改為在FeaturePipelineFactory類別中實作您的功能工程邏輯。
FeaturePipelineFactory	FeaturePipelineFactory類別會建立Spark Pipeline，由一系列Spark Pronders組成，以執行功能工程。您可以選擇不提供FeaturePipelineFactory類別，並改為在DatasetTransformer類別中實作您的功能工程邏輯。
DataSaver	DataSaver類提供儲存特徵資料集的邏輯。

啟動「功能管線」工作時，執行階段會先執行DataLoader，將輸入資料載入為DataFrame，然後執行DatasetTransformer、FeaturePipelineFactory或兩者皆執行，以修改DataFrame。最後，產生的功能資料集會透過DataSaver儲存。

以下流程圖顯示Runtime的執行順序：

實作您的功能管線類

以下幾節提供了有關實施「特徵管線」所需類的詳細資訊和示例。

在設定JSON檔案中定義變數

設定JSON檔案包含索引鍵值配對，供您指定稍後在執行階段中定義的任何變數。這些索引鍵值配對可定義屬性，例如輸入資料集位置、輸出資料集ID、租用戶ID、欄標題等。

下面的示例演示在配置檔案中找到的鍵值對：

設定JSON範例

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

您可以透過任何將config_properties定義為參數的類別方法來存取設定JSON。例如：

PySpark

dataset_id = str(config_properties.get(dataset_id))

如需更深入的設定範例，請參閱資料科學工作區提供的pipeline.json檔案。

使用DataLoader準備輸入資料

DataLoader負責擷取和篩選輸入資料。您對DataLoader的實作必須擴充抽象類別DataLoader，並覆寫抽象方法load。

下面的示例按ID檢索Platform資料集，並將其作為DataFrame返回，其中資料集ID(dataset_id)是配置檔案中定義的屬性。

PySpark範例

# 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轉換資料集

DatasetTransformer提供用於轉換輸入DataFrame的邏輯，並返回新的衍生DataFrame。此類可以實施為與FeaturePipelineFactory協作、作為唯一的特徵工程元件，或者選擇不實施此類。

下列範例擴充DatasetTransformer類別：

PySpark範例

# 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來工程資料功能

FeaturePipelineFactory可讓您透過Spark Pipeline，定義並連結一系列的Spark Prandfors，來建置您的功能工程邏輯。此類可以實現，以便與DatasetTransformer協作、作為唯一的特徵工程元件，或者選擇不實現此類。

以下示例擴展了FeaturePipelineFactory類：

PySpark範例

# 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儲存您的功能資料集

DataSaver負責將生成的功能資料集儲存到儲存位置。 DataSaver的實施必須擴展抽象類DataSaver並覆蓋抽象方法save。

下面的示例將DataSaver類擴展到Platform資料集，該類按ID將資料儲存到資料集，其中資料集ID(featureDatasetId)和租用戶ID(tenantId)是配置中定義的屬性。

PySpark範例

# 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)

在應用程式檔案中指定您實作的類別名稱

現在已定義並實施了特徵管線類，您必須在應用程式YAML檔案中指定類的名稱。

以下示例指定實現的類名：

PySpark範例

#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建立您的功能管線引擎

現在，您已經編寫了功能管線，因此需要建立Docker映像，以在Sensei Machine Learning API中調用功能管線端點。您需要Docker影像URL，才能呼叫功能管線端點。

秘訣

如果您沒有Docker URL，請造訪將來源檔案封裝至recipe教學課程，以取得建立Docker主機URL的逐步逐步說明。

或者，您也可以使用下列Postman系列來協助完成功能管道API工作流程：

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

建立特徵管線引擎

在您取得Docker影像位置後，您就可以透過對/engines執行POST，使用Sensei Machine Learning API建立功能管線引擎🔗。成功建立功能管線引擎可提供引擎唯一識別碼(id)。請務必先儲存此值，再繼續。

建立MLInstance

使用新建立的engineID，您需要通過向/mlInstance端點發出POST請求來建立MLIstance🔗。成功的回應會傳回包含新建立之MLInstance之詳細資料的裝載，包括其唯一識別碼(id)，用於下次API呼叫。

建立實驗

接下來，您需要建立實驗。若要建立實驗，您必須擁有您的MLIstance唯一識別碼(id)，並向/experiment端點提出POST要求。成功的回應會傳回包含新建立之實驗詳細資料的裝載，包括其唯一識別碼(id)，用於下一個API呼叫。

指定「實驗」運行功能管線任務

建立實驗後，必須將實驗的模式更改為featurePipeline。若要變更模式，請使用EXPERIMENT_ID對experiments/{EXPERIMENT_ID}/runs進行額外POST，並在內文中傳送{ "mode":"featurePipeline"}以指定功能管線「實驗」執行。

完成後，請向/experiments/{EXPERIMENT_ID}發出GET請求，以擷取實驗狀態🔗，並等待實驗狀態更新完成。

指定「實驗」運行培訓任務

接下來，您需要指定培訓執行任務。將POST設定為experiments/{EXPERIMENT_ID}/runs，並在主體中將模式設定為train，併發送包含培訓參數的一系列任務。成功的回應會傳回包含所請求實驗詳細資料的裝載。

完成後，請向/experiments/{EXPERIMENT_ID}發出GET請求，以擷取實驗狀態🔗，並等待實驗狀態更新完成。

指定「實驗」運行計分任務

注意

要完成此步驟，您至少需要有一個成功的訓練執行與您的實驗相關聯。

成功的訓練執行後，您需要指定計分執行任務。將POST設為experiments/{EXPERIMENT_ID}/runs，並在正文中將mode屬性設為"score"。這會啟動您的計分實驗執行。

完成後，請向/experiments/{EXPERIMENT_ID}發出GET請求，以擷取實驗狀態🔗，並等待實驗狀態更新完成。

一旦計分完成，您的功能管道就應該可以運作。

下一步

閱讀本檔案後，您已使用「模型編寫SDK」編寫功能管線、建立Docker影像，並使用Docker影像URL來使用Sensei Machine Learning API建立功能管線模型。您現在可以繼續使用Sensei Machine Learning API大規模轉換資料集和擷取資料功能。

adobe.com 上的資源

Digital Foundation Ab Multivariate Testing Multichannel Communication First Party Data Mobile Marketing Tv Advertising

全新的改善搜尋

使用「模型編寫SDK」建立功能管線

快速入門

特徵管線類

實作您的功能管線類

在設定JSON檔案中定義變數

使用DataLoader準備輸入資料

使用DatasetTransformer轉換資料集

使用FeaturePipelineFactory來工程資料功能

使用DataSaver儲存您的功能資料集

在應用程式檔案中指定您實作的類別名稱

使用API建立您的功能管線引擎

建立特徵管線引擎

建立MLInstance

建立實驗

指定「實驗」運行功能管線任務

指定「實驗」運行培訓任務

指定「實驗」運行計分任務

下一步

adobe.com 上的資源

本頁內容

檢視下一個:

學習

說明文件

社群

技術支援

資源

Adobe 帳戶

Adobe