乐趣区

关于机器学习:开源-6-个月机器学习平台-Alink-有哪些值得期待的新功能

jiezi

本文依据 Flink Forward 寰球在线会议 · 中文精华版整顿而成，由阿里巴巴计算平台事业部资深算法专家杨旭 (品数) 分享。本文次要介绍了 Alink 从发表开源到当初，最近半年来的停顿状况，重点分享了 Alink 的一些个性、原理、应用技巧等，为大家应用 Alink 进行开发提供了参考。

Alink 停顿总览

Alink 到目前曾经公布了四个 Release 版本：

  1. Alink version 1.0：2019 年 11 月在 Flink Forword Asia 大会上发表开源。
  2. Alink version 1.0.1：于 2019 年 12 月公布，次要解决一些场景下 PyAlink 的装置问题。在此期间也出了一系列的开发文章，包含 Alink 环境搭建，入门示例等，为大家应用 Alink 第一步提供了领导。
  3. Alink version 1.1.0：于 2020 年 02 月公布，在 Flink 公布 1.10 版本后，Alink 第一工夫做了兼容，目前 Alink 反对 Flink 1.10 和 Flink 1.9，PyAlink 也兼容 PyFlink。此外，从这个版本开始，Alink 曾经公布到 Maven 地方仓库和 PyPI。这样，Maven 工程中应用 Alink，只须要在 POM 文件中引入 Alink 的相干依赖就能够了，无需本人手动编译，打包装置。Python 环境则能够借助 PyPI 仓库，进行 Alink 的装置。
  4. Alink version 1.1.1：于 2020 年 04 月公布，次要是晋升了应用体验，晋升了性能。

Alink 倒退之路

上图是 Alink 在公布 1.0 版本的时候，所有的算法以及性能，简略来说，Alink 的批式性能是和 SparkML 对应的，SparkML 有的性能，Alink 根本都提供了。相较于 SparkML，除了批式的性能，Alink 还提供了流式的性能。

Alink 在近半年，性能上整体没有大的变动，上面列举一些正在研发测试，行将开源的一些性能：

  1. 提供更多数据处理，特色工程相干性能，在小版本就会陆续推出。
  2. 经典的分类和回归问题上，次要为两个方面：一是对已有模型，咱们将会披露 更多模型外部信息 ，让大家对模型有更多的理解，而不仅仅只是拿模型来进行预测，二是FM 系列算法 的推出。
  3. 关联规定 & 协同过滤，在协同过滤举荐问题上，SparkML 次要提供的是 ALS，它能够解决一些举荐的问题，然而理论使用过程中，仅仅应用 ALS 是不够的，后续 Alink 将推出更多举荐类的算法。
  4. 在线学习，在 1.0 公布的时候，曾经提供了在线学习的性能，但在理论利用场景中，用户心愿在线学习可能变得更加灵便，后续的版本中将会对这部分进行增强。

重要个性介绍

在本章，将依照版本的公布程序，逐渐介绍 Alink 的个性，设计原理，以及应用技巧等内容。

1.Alink version 1.1.0

■ 程序构建

从 Alink 1.1.0 开始，应用 Maven 地方仓库即可构建 Alink 我的项目，上面是 POM 文件示例。Flink 1.10 版本依赖：

<dependency>
    <groupId>com.alibaba.alink</groupId>
    <artifactId>alink_core_flink-1.10_2.11</artifactId>
    <version>1.1.0</version>
</dependency>
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-streaming-scala_2.11</artifactId>
    <version>1.10.0</version>
</dependency>
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-planner_2.11</artifactId>
    <version>1.10.0</version>
</dependency>

Flink 1.9 版本依赖：

<dependency>
    <groupId>com.alibaba.alink</groupId>
    <artifactId>alink_core_flink-1.9_2.11</artifactId>
    <version>1.1.0</version>
</dependency>
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-streaming-scala_2.11</artifactId>
    <version>1.9.0</version>
</dependency>
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-planner_2.11</artifactId>
    <version>1.9.0</version>
</dependency>

■ 环境装置实际

  • 筹备环节

次要是 Python 环境搭建，以及 JAVA 8 的装置，Python 环境的搭建咱们举荐装置 Anaconda3，能够对 Python 的版本进行灵便的管制。不同操作系统的环境筹备，请参考上面的教程：

MacOS：https://zhuanlan.zhihu.com/p/…
Linux 环境：https://zhuanlan.zhihu.com/p/…
Windows：https://zhuanlan.zhihu.com/p/…

  • PyAlink 装置

从 1.1.0 开始，Alink 曾经公布到了 PyPI，装置更加不便了，请参考如下链接：

如何装置最新版本 PyAlink？
https://zhuanlan.zhihu.com/p/…

  • PyAlink 卸载

如果之前装置过 PyAlink，因为之前版本咱们是手动装置的，在降级到新版本时，可能会遇到一些问题，因而须要将其卸载，能够参考上面的文章：

PyAlink 的版本查问、卸载旧版本：
https://zhuanlan.zhihu.com/p/…

■ Notebook 开发实际

在讲 Notebook 示例之前，咱们先来理解一下 PyAlink 的设计背景：

  1. 在机器学习利用开发过程中，咱们常常会先在批式环境进行模型训练，而后在流式的环境利用模型，从批式环境转换到流式环境，往往须要重写代码，无奈做到代码的复用。Alink 设计之初，就心愿尽量将批和流之间的差别变得最小，比方，批上做完后，只须要将 Batch 字样改成 Stream 字样就能够运行。
  2. 机器学习开发的过程，咱们个别是心愿越快越好，越麻利越好。其实在本机上开发，体验是最好的，个别做法是，在本机小数据规模上进行验证，而后上到集群上进行成果的评估。然而本机环境往集群环境迁徙，并不容易，咱们心愿这个过程有一个好的体验，不必去编写大量的代码。

基于这样的设计背景，咱们来看下一当初 Notebook 上进行 Alink 开发的实际。

  • PyAlink 批式工作在 Notebook 上运行

本地 运行代码示例：

from pyalink.alink import *
## 一个 Batch 作业的例子
useLocalEnv(2)
## prepare data
import numpy as np
import pandas as pd
data = np.array([[0, 0.0, 0.0, 0.0],
    [1, 0.1, 0.1, 0.1],
    [2, 0.2, 0.2, 0.2],
    [3, 9, 9, 9],
    [4, 9.1, 9.1, 9.1],
    [5, 9.2, 9.2, 9.2]
])
df = pd.DataFrame({"id": data[:, 0], "f0": data[:, 1], "f1": data[:, 2], "f2": data[:, 3]})
inOp = BatchOperator.fromDataframe(df, schemaStr='id double, f0 double, f1 double, f2 double')
FEATURE_COLS = ["f0", "f1", "f2"]
VECTOR_COL = "vec"
PRED_COL = "pred"

vectorAssembler = (VectorAssembler()
    .setSelectedCols(FEATURE_COLS)
    .setOutputCol(VECTOR_COL)
)
kMeans = (KMeans()
    .setVectorCol(VECTOR_COL)
    .setK(2)
    .setPredictionCol(PRED_COL)
)
pipeline = Pipeline().add(vectorAssembler).add(kMeans)
pipeline.fit(inOp).transform(inOp).firstN(9).collectToDataframe()

集群 运行代码示例：

from pyalink.alink import *

## 一个 Batch 作业的例子
useRemoteEnv("10.101.**.**", 31805, 2, shipAlinkAlgoJar=False)
## prepare data
import numpy as np
import pandas as pd
data = np.array([[0, 0.0, 0.0, 0.0],
    [1, 0.1, 0.1, 0.1],
    [2, 0.2, 0.2, 0.2],
    [3, 9, 9, 9],
    [4, 9.1, 9.1, 9.1],
    [5, 9.2, 9.2, 9.2]
])
df = pd.DataFrame({"id": data[:, 0], "f0": data[:, 1], "f1": data[:, 2], "f2": data[:, 3]})
inOp = BatchOperator.fromDataframe(df, schemaStr='id double, f0 double, f1 double, f2 double')
FEATURE_COLS = ["f0", "f1", "f2"]
VECTOR_COL = "vec"
PRED_COL = "pred"

vectorAssembler = (VectorAssembler()
    .setSelectedCols(FEATURE_COLS)
    .setOutputCol(VECTOR_COL)
)
kMeans = (KMeans()
    .setVectorCol(VECTOR_COL)
    .setK(2)
    .setPredictionCol(PRED_COL)
)
pipeline = Pipeline().add(vectorAssembler).add(kMeans)
pipeline.fit(inOp).transform(inOp).firstN(9).collectToDataframe()

咱们能够看到本地和近程代码上的差异，就只有第 4 行代码不一样，本地应用的是 useLocalEnv(2)，近程应用的是 useRemoteEnv(“10.101..”, 31805, 2, shipAlinkAlgoJar=False)。相较于本地环境，集群环境须要指定 Flink 集群的 ip 地址和端口。

  • PyAlink 流式工作在 Notebook 上运行

本地 运行示例：

from pyalink.alink import *
## 一个 Stream 作业的例子
## 惟一参数示意并行度
useLocalEnv(2)
source = CsvSourceStreamOp() \
    .setSchemaStr("sepal_length double, sepal_width double, petal_length double, petal_width double, category string") \
    .setFilePath("http://alink-dataset.cn-hangzhou.oss.aliyun-inc.com/csv/iris.csv")
source.print()
StreamOperator.execute()

集群 运行示例：

from pyalink.alink import *

## 一个 Stream 作业的例子
useRemoteEnv("10.101.**.**", 31805, 2, shipAlinkAlgoJar=False, localIp="30.39.**.**")
source = CsvSourceStreamOp() \
    .setSchemaStr("sepal_length double, sepal_width double, petal_length double, petal_width double, category string") \
    .setFilePath("http://alink-dataset.cn-hangzhou.oss.aliyun-inc.com/csv/iris.csv")
source.print()
StreamOperator.execute()

咱们能够看到，流式工作的运行，本地和集群上的代码也只有设置运行环境这一行（第 4 行）代码有差异，其余的代码都是一样的。

集群运行模式中，流式工作和批式工作的设置有点差异，流式的工作须要指定本地的 IP 地址（localIp），咱们应用 Notebook 进行交互式开发时，个别须要看到运行后果，批式工作应用 Flink 现有的机制，是能够间接看到运行后果的。然而流式工作数据流是无边界的，为了将流工作的运行后果返回回来，让用户能够实时看到，咱们独自建设了一个通路进行数据传输，因而咱们须要设置这个本地的 IP 地址，和集群进行交互。当然，这个本地 IP 地址的参数，在 4 月份的版本（Alink 1.1.1 版本）中，曾经能够自动检测到了，能够省略掉了。

■ PyAlink 基于 PyFlink 整合

本节中，重点介绍两点 PyAlink 和 PyFlink 的兼容个性。

  • 数据的连通性：Alink 算子的输入输出，实质上是 Flink 的 Table 格局，PyFlink 其实也是 Flink Table，这样 Alink Operator 与 PyFlink 两个就能够互相转化，而且转换的代价十分小，并不波及到数据的重写。有了这种转换，Alink 和 PyFlink 两边的性能就能够混用，不便串联 Flink 和 Alink 的工作流。

上面是一段 Alink 和 PyFlink 代码混用的示例：

###  get_mlenv.py
from pyalink.alink import *
env, btenv, senv, stenv = getMLEnv()
### 应用 PyFlink 接口，与 Table 进行互转
table = stenv.from_elements([(1, 2), (2, 5), (3, 1)], ['a', 'b'])
source = TableSourceStreamOp(table)
source.print()
StreamOperator.execute()

咱们能够看到，应用 PyFlink 构建 Table（第 5 行），能够间接转化为 PyAlink 的数据源算子（第 6 行）。

  • 新提供了 getMLEnv 接口 ，能间接应用 flink run -py *.py 往集群提交作业。除了 Notebook 交互式运行 Alink 工作这种形式，对于定时调度的工作，咱们须要一次性提交工作，PyFlink 在这方面反对十分好，PyAlink 和 PyFlink 兼容后，咱们能够达到和 PyFlink 提交工作一样的应用体验。只是有一点不同，在获取运行环境的时候，须要改为调用 getMLEnv() 办法，这个办法会返回 env, btenv, senv, stenv 四个运行环境，这样 PyAlink 的工作能够交给 PyFlink，执行 PyFlink 相干操作。

上面是提交工作的示例：

### 间接运行脚本
python kmeans.py
### 向集群提交作业
PYFLINK_PATH=`python -c "import pyflink;print(pyflink.__path__[0])"`
${PYFLINK_PATH}/bin/flink run -m 10.101.**.**:31805 -py kmeans.py -p 4

■ 读写 Kafka

咱们在 Flink Kafka Connector 根底上，为 Kafka 的输入输出包装了 Source 和 Sink 组件，让大家读写 Kafka 数据更加不便。上面是一个从数据读入，数据解析，对数据进行逻辑回归预测，将后果写入 Kafka 的工作的代码示例：

### 读取数据
data = KafkaSourceStreamOp()\
                .setBootstrapServers("localhost:9092")\
                .setTopic("iris")\
                .setStartupMode("EARLIEST")\
                .setGroupId("alink_group")
### 解析 JSON 数据
json_parser = JsonValueStreamOp()
            .setSelectedCol("message")
            .setOutputCols(["sepal_length", "sepal_width", "petal_length", "petal_width", "category"])
            .setJsonPath(["$.sepal_length", "$.sepal_width", "$.petal_length", "$.petal_width", "$.category"])

data = data.link(json_parser)
### 数据类型转换
data = data.select( \
  "CAST(sepal_length AS DOUBLE) AS sepal_length,"
  + "CAST(sepal_width AS DOUBLE) AS sepal_width,"
  + "CAST(petal_length AS DOUBLE) AS petal_length,"
  + "CAST(petal_width AS DOUBLE) AS petal_width, category")
### 读取本地模型文件
model = CsvSourceBatchOp().setFilePath("/path/to/model.csv") \
  .setSchemaStr("model_id bigint, model_info string, label_type string")
### 构建逻辑回归预测模型
lr_predictor = LogisticRegressionPredictStreamOp(model) \
  .setPredictionCol("pred").setPredictionDetailCol("pred_detail")
### 对数据进行预测
result = data.link(lr_predictor)
### 后果输入到 Kafka
sink = KafkaSinkStreamOp() \
  .setBootstrapServers("localhost:9092") \
  .setDataFormat("json").setTopic("lr_pred")
data.link(sink)
StreamOperator.execute()

从代码中能够看出，数据通过 KafkaSourceStreamOp 组件读入，通过 JSON Path 解析数据，解析出的值，是 String 类型，再依据数据的理论类型，应用 CAST 函数进行类型转换，而后通过加载本地训练好的模型，构建逻辑回归预测组件，对数据进行预测，最初将后果通过 KafkaSinkStreamOp 组件输入到 Kafka。

咱们也能够看到，在 Alink 1.1.0 这个版本中，数据的解析还是有一点麻烦，在本文前面的局部还会介绍对数据解析局部的简化，让整个流程更简洁。

2.Alink version 1.1.1

本章开始，咱们将具体介绍 Alink 1.1.1 版本的一些优化的点，以及重要个性等。

■ 优化枚举类型参数提醒

在咱们应用算法组件的时候，常常会遇到有些属性是枚举类型的，在 Python 中，个别是通过字符串输出枚举值，理论在应用的过程中，这些枚举值很难全副记住，常常须要去查问 Alink 的文档。为了咱们编写代码更加顺畅，在新版本中，咱们优化了代码的提示信息，咱们能够尝试填写一个代替值，尽管会抛异样，但在运行后果中，能够看到枚举值的明确提醒。

以卡方筛选算子为例，卡方筛选算子的 SelectorType 能够填写 NumTopFeatures，Percentil，FPR 等，是枚举类型变量，咱们如果应用 ’aaa’ 值代替，看下会有什么成果，代码如下：

### Python 代码
selector = ChiSqSelectorBatchOp()\
            .setSelectorType("aaa")\
            .setSelectedCols(["f_string", "f_long", "f_int", "f_double"])\
            .setLabelCol("f_boolean")\
            .setNumTopFeatures(2)

在 Alink 1.1.1 之前的版本，会返回下图：

异样信息中打出 SelectorType 输入谬误的值 AAA，但异样信息不显著，也没有指出是哪个参数写错了。

Alink 1.1.1 中，则会呈现下图的后果：

异样信息中会有哪个参数填写谬误，以及会提醒可能的值是什么，这样咱们应用 Alink 算子的时候更加便捷。

下面是 Python 代码的枚举类型的谬误提醒，对于 JAVA 来说，有代码主动提醒，编写时会十分不便：

■ 优化列名参数提醒

咱们进行机器学习开发，算法中往往会有很多列名参数，列名输错状况很常见，如下图所示：

咱们可能将 text 字段谬误的写成了 text1，在 1.1.1 版本里，不仅会指出哪列不存在，也会提醒最可能的列名，帮忙用户做修改，见下图所示。

这样，用户能够更快的定位谬误，排查问题。JAVA 的行为也雷同：

输入提醒如下：

■ PyAlink1.1.1 改良

  • 优化了 DataFrame 和 BatchOperator 互转的性能

咱们在应用 Python 时，更多是用 DataFrame 来操作数据，在应用 PyAlink 时，有一个 DataFrame 向 Alink Table 转换的过程，转换的速度会间接影响整个工作的执行时长，为了给用户一个比拟好的用户体验，咱们在转化下面，做了比拟大的性能优化。

以上面的示例代码为例：

n = 50000
users = []
for col in range(n):users.append([col] * 2)
df = pd.DataFrame(users)
source = BatchOperator.fromDataframe(df, schemaStr='id int, label int')
source.link(CsvSinkBatchOp().setOverwriteSink(True).setFilePath('temp.csv'))
BatchOperator.execute()

之前 5W 行数据须要约 55s，当初只须要 5s，当初 100w 行数据约 20s 就能够转换实现。您可能留神到从 5W 到 100W，这种晋升如同不是成程线性关系，这是因为转化的过程中，还蕴含了一些零碎开销。总之，咱们在数据转化中，曾经尽量的压缩了解决工夫，让整个工作运行更快。

  • 改良流式组件的 print 性能，将不会因为数据中有 NaN 导致作业失败，进步了程序的稳定性。
  • Python UDF 运行中将自动检测 python3 命令，如果环境中同时有 Python 2 和 3，将可能因为 python 命令指向 Python 2 而导致运行不胜利，在 Alink 1.1.1 版本中，将优先应用 python3 来执行 Python UDF。
  • useRemoteEnv 将自动检测本机外网 IP，在个别网络配置下，应用 StreamOperator（流式工作）组件的性能，无需设置 localIp 了。
  • 新增组件，将 CSV、JSON 和 KV 格局的字符串解析为多列。

上面是一组 JOSN 格局的测试数据。

{"sepal_width":3.4,"petal_width":0.2,"sepal_length":4.8,"category":"Iris-setosa","petal_length":1.6}
{"sepal_width":4.1,"petal_width":0.1,"sepal_length":5.2,"category":"Iris-setosa","petal_length":1.5}
{"sepal_width":2.8,"petal_width":1.5,"sepal_length":6.5,"category":"Iris-versicolor","petal_length":4.6}
{"sepal_width":3.0,"petal_width":1.8,"sepal_length":6.1,"category":"Iris-virginica","petal_length":4.9}
{"sepal_width":2.9,"petal_width":1.8,"sepal_length":7.3,"category":"Iris-virginica","petal_length":6.3}

咱们须要将其解析为下图这样的结构化数据。

Alink 1.1.1 之前，咱们可能须要编写上面这样的代码：

json_parser = JsonValueStreamOp()
            .setSelectedCol("message")
            .setOutputCols(["sepal_length", "sepal_width", "petal_length", "petal_width", "category"])
            .setJsonPath(["$.sepal_length", "$.sepal_width", data = data.link(\
JsonToColumnsStreamOp().setSelectedCol("message").setSchemaStr("sepal_length double, sepal_width double, petal_length double,"         + "petal_width double, category string").setReservedCols([]))

"$.petal_length", "$.petal_width", "$.category"])
data = data.link(json_parser)
data = data.select( \
  "CAST(sepal_length AS DOUBLE) AS sepal_length,"
  + "CAST(sepal_width AS DOUBLE) AS sepal_width,"
  + "CAST(petal_length AS DOUBLE) AS petal_length,"
  + "CAST(petal_width AS DOUBLE) AS petal_width, category")

在 Alink 1.1.1 版本中，咱们增加了 JsonToColumnsStreamOp 组件，代码变成这样：

data = data.link(\
JsonToColumnsStreamOp().setSelectedCol("message").setSchemaStr("sepal_length double, sepal_width double, petal_length double,"         + "petal_width double, category string").setReservedCols([]))

咱们能够看到，代码精简了很多。

最初，介绍一个日志解析的例子，咱们晓得，日志的格局没有一个残缺的法则，不是一个 JSON 格局，也不是 KV 格局，这就须要用现有工具进行组合来解决。

上面是一段日志记录的内容：

66.249.79.35 - - [14/Jun/2018:06:45:24 +0000] "GET /img/20180504/702434-20180302101540805-554506523.jpg HTTP/1.1" 200 10013 "-" "Googlebot-Image/1.0”66.249.79.35 - - [14/Jun/2018:06:45:25 +0000] "GET /img/20180504/702434-20180302161346635-1714710787.jpg HTTP/1.1" 200 45157 "-" "Googlebot-Image/1.0”66.249.79.35 - - [14/Jun/2018:06:45:56 +0000] "GET /img/2018/05/21/60662344.jpg HTTP/1.1" 200 14133 "-" "Googlebot-Image/1.0"
54.36.148.129 - - [14/Jun/2018:06:46:01 +0000] "GET /archives/91007 HTTP/1.1" 200 8332 "-" "Mozilla/5.0 (compatible; AhrefsBot/5.2; +http://ahrefs.com/robot/)”54.36.148.201 - - [14/Jun/2018:06:46:03 +0000] "GET /archives/88741/feed HTTP/1.1" 200 983 "-" "Mozilla/5.0 (compatible; AhrefsBot/5.2; +http://ahrefs.com/robot/)”5.255.250.200 - - [14/Jun/2018:06:46:03 +0000] "GET /archives/87084 HTTP/1.1" 200 9951 "-" "Mozilla/5.0 (compatible; YandexBot/3.0; +http://yandex.com/bots)”

上面是具体解析的代码：

source.select("SUBSTRING(text FROM 1 For POSITION('['in text)-2) AS part1,"
  +"REGEXT_EXTRACT(text,'(\\[)(.*?)(\\])',2) AS log_time,"
  +"SUBSTRING(text FROM 2+POSION(']'IN text)) AS part2"
)
.link(new CsvToColumnBatchOp()
  .setSelectCol("part1")
  .setFieldDelimiter(" ")
  .setSchemaStr("ip string,col1 string,col2 string")
)
.link(new CsvToColumnBatchOp()
  .setSelectCol("part2")
  .setFieldDelimiter(" ")
  .setSchemaStr("cmd string,response int,bytesize int,col3 string,col4 string")
)
.link(new CsvToColumnBatchOp()
  .setSelectCol("cmd")
  .setFieldDelimiter(" ")
  .setSchemaStr("req_method string,url String,protocol string")
)
.select("ip,col1,col2,log_time,req_method,url,protocol,response,bytesize,col3,col4")

下面的代码思路如下：

  1. 首先咱们将日志依据“[]”将日志划分为三局部，能够应用 Flink 的 SUBSTRING 函数，联合正则表达式 REGEXT_EXTRACT 进行拆分。
  2. 别离应用 CsvToColumnBatchOp 依照空格分隔对两边的文本（part1,part2 两局部）进行解析，并指定列名。
    对 cmd 这个非凡字段做进一步的解析。
  3. 最初，选出所有解析进去的列，实现。

Alink 相干资料汇总：

  • Alink GitHub 地址：
    https://github.com/alibaba/Alink
  • Alink 系列教程：
    https://www.zhihu.com/people/…

以上。Alink 是基于 Flink 的机器学习算法平台，欢送拜访 Alink 的 GitHub 链接获取更多信息。也欢送退出 Alink 开源用户群进行交换～

▼ 钉钉扫码退出 Alink 技术交换群 ▼

退出移动版