使用模型创作SDK创建功能管道

IMPORTANT
功能管道目前只能通过API使用。

Adobe Experience Platform允许您构建和创建自定义功能管道,以通过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。

本文档介绍了功能管道中的各种类,并分步说明了如何在PySpark中使用模型创作SDK创建自定义功能管道。

运行功能管道时,会发生以下工作流:

  1. 方法会将数据集加载到管道。
  2. 功能转换在数据集上完成,并写回到Adobe Experience Platform。
  3. 加载转换后的数据以进行训练。
  4. 特征流水线定义了以梯度提升回归子作为模型的阶段。
  5. 使用管道拟合训练数据,并创建训练后的模型。
  6. 使用评分数据集转换模型。
  7. 然后,选择输出中感兴趣的列,并将其保存回Experience Platform和相关数据。

快速入门

要在任何组织中运行处方,必须满足以下条件:

  • 输入数据集。
  • 数据集的架构。
  • 转换后的架构和基于该架构的空数据集。
  • 输出架构和基于该架构的空数据集。

以上所有数据集都需要上传到Platform UI。 若要进行此设置,请使用Adobe提供的引导脚本

功能管道类

下表描述了为构建功能管道而必须扩展的主要抽象类:

抽象类
描述
数据加载程序
DataLoader类提供用于检索输入数据的实现。
DatasetTransformer
DatasetTransformer类提供用于转换输入数据集的实现。 您可以选择不提供DatasetTransformer类,而是在FeaturePipelineFactory类中实施功能工程逻辑。
功能管道工厂
FeaturePipelineFactory类构建由一系列Spark转换器组成的Spark管线以执行特征工程。 您可以选择不提供FeaturePipelineFactory类,而是在DatasetTransformer类中实施功能工程逻辑。
DataSaver
DataSaver类为功能数据集的存储提供逻辑。

启动功能管道作业时,运行时首先执行DataLoader以将输入数据作为DataFrame加载,然后通过执行DatasetTransformer和/或FeaturePipelineFactory来修改DataFrame。 最后,生成的功能数据集通过DataSaver进行存储。

以下流程图显示了运行时的执行顺序:

实施功能管道类 implement-your-feature-pipeline-classes

以下部分提供了有关为功能管道实施所需类的详细信息和示例。

在配置JSON文件中定义变量 define-variables-in-the-configuration-json-file

配置JSON文件由键值对组成,用于指定要在运行时稍后定义的任何变量。 这些键值对可以定义输入数据集位置、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,请参阅数据科学Workspace提供的pipeline.json文件。

使用DataLoader准备输入数据 prepare-the-input-data-with-dataloader

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

以下示例按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 transform-a-dataset-with-datasettransformer

DatasetTransformer提供用于转换输入DataFrame的逻辑,并返回新的派生DataFrame。 此类可以实施为与FeaturePipelineFactory协同工作、作为唯一特征工程组件工作,或者您可以选择不实施此类。

以下示例扩展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设计数据功能 engineer-data-features-with-featurepipelinefactory

FeaturePipelineFactory允许您通过定义一系列Spark转换器并通过Spark管道链接在一起来实施特征工程逻辑。 此类可以实施为与DatasetTransformer协作使用、作为唯一功能工程组件使用,或者您可以选择不实施此类。

以下示例扩展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 store-your-feature-dataset-with-datasaver

DataSaver负责将生成的功能数据集存储到存储位置。 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)在配置中定义了属性。

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 specify-your-implemented-class-names-in-the-application-file

现在已定义并实施特征管道类,必须在应用程序YAML文件中指定类的名称。

以下示例指定了实现的类名:

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创建功能管道引擎 create-feature-pipeline-engine-api

现在您已创作功能管道,您需要创建Docker图像以调用Sensei Machine Learning API中的功能管道端点。 您需要一个Docker图像URL才能调用功能管道端点。

TIP
如果您没有Docker URL,请访问将源文件打包到方法教程中,以了解有关创建Docker主机URL的分步说明。

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

创建功能管道引擎 create-engine-api

获得Docker图像位置后,可通过执行POST/engines来使用Sensei Machine Learning API 创建功能管道引擎。 成功创建功能管道引擎将为您提供引擎唯一标识符(id)。 请确保保存此值后再继续。

创建MLInstance create-mlinstance

使用新创建的engineID,您需要通过向/mlInstance端点发出POST请求来创建MLIstance。 成功的响应将返回一个有效负载,该有效负载包含新创建的MLInstance的详细信息,包括其下次API调用中使用的唯一标识符(id)。

创建试验 create-experiment

接下来,您需要创建试验。 要创建试验,您需要具有MLIstance唯一标识符(id)并向/experiment端点发出POST请求。 成功的响应将返回一个有效负载,该有效负载包含新创建的试验的详细信息,包括其在下一个API调用中使用的唯一标识符(id)。

指定试验运行功能管道任务 specify-feature-pipeline-task

创建试验后,必须将试验的模式更改为featurePipeline。 要更改模式,请使用您的EXPERIMENT_ID额外POST到experiments/{EXPERIMENT_ID}/runs,并在正文发送{ "mode":"featurePipeline"}中指定功能管道试验运行。

完成后,向/experiments/{EXPERIMENT_ID}发出GET请求以检索试验状态,并等待试验状态更新完成。

指定试验运行训练任务 training

接下来,您需要指定训练运行任务。 向experiments/{EXPERIMENT_ID}/runs发出POST,并在正文中将模式设置为train,并发送包含训练参数的任务数组。 成功的响应将返回包含所请求试验详细信息的有效负载。

完成后,向/experiments/{EXPERIMENT_ID}发出GET请求以检索试验状态,并等待试验状态更新完成。

指定试验运行评分任务 scoring

NOTE
要完成此步骤,您需要至少有一个与试验关联的成功训练运行。

在训练运行成功后,您需要指定评分运行任务。 向experiments/{EXPERIMENT_ID}/runs发出POST,并在正文中将mode属性设置为“score”。 这将开始您的评分实验运行。

完成后,向/experiments/{EXPERIMENT_ID}发出GET请求以检索试验状态,并等待试验状态更新完成。

评分完成后,您的功能管道应可运行。

后续步骤 next-steps

通过阅读此文档,您已使用模型创作SDK创作功能管道,创建了Docker图像,并使用Docker图像URL使用Sensei Machine Learning API创建了功能管道模型。 您现在可以使用Sensei Machine Learning API继续转换数据集和大规模提取数据功能。

recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9