J'ai essayé de créer un pipeline ML avec Cloud Composer

Que faire dans cet article

Nous orchestrerons une série de tâches lors de l'exécution du machine learning suivant à l'aide de Cloud Composer de Google Cloud Platform.

1. Placez les données Train / Test extraites de BigQuery dans un fichier CSV et placez-les dans GCS.
2. Envoyez une tâche d'entraînement à ML Engine
3. Déployez le modèle
4. Envoyer la tâche de prédiction à ML Engine
5. Chargez le résultat de la prédiction stocké dans GCS dans BigQuery

Le nœud et le workflow sur Airflow à créer sont indiqués dans la figure ci-dessous.

Public cible

• Ceux qui ont touché Cloud Composer / Air Flow
• Ceux qui ont touché ML Engine / DataFlow

Langage et cadre

• Python 3.6.3
• tensorflow 1.15

Version Airflow

• 1.10.6

Architecture de chaque service de GCP

Les tâches Airflow ci-dessus peuvent être exprimées par les services GCP comme suit.

1. Configurer les préférences de Cloud Composer

La commande bash ci-dessous fait trois choses.

1. Construction de l'environnement Cloud Composer

Une chose à laquelle il faut faire attention lors de la création de l'environnement Cloud Composer est de spécifier --python-version 3 comme argument. Par défaut, la série python2 est définie.

2. Installation de la bibliothèque sur Airflow

Dans la liste des tâches affichée au début, il y avait un endroit pour publier un message dans Slack. Vous devez installer la bibliothèque slackclient dans Airflow pour effectuer cette tâche. Spécifiez le fichier de configuration de la bibliothèque dans l'argument --update-pypi-packages-from-file.

requirements.txt

slackclient~=1.3.2

3. Définissez les variables d'environnement sur le flux d'air

Comme mentionné ci-dessus, ʻacccess_token est requis lors de l'envoi d'un message à slack en utilisant la bibliothèque slackclient, il est donc pratique de définir ʻaccess_token dans la variable d'environnement de flux d'air, donc définissez-le à l'avance. (Ce n'est pas si bon de solidifier ʻaccess_token` dans le fichier dag)

#!/usr/bin/env bash

ENVIRONMENT_NAME=dev-composer
LOCATION=us-central1

#Lire les variables
eval `cat airflow/config/.secrets.conf`
echo ${slack_access_token}

#Créer un environnement pour Cloud Composer
gcloud composer environments create ${ENVIRONMENT_NAME} \
    --location ${LOCATION} \
    --python-version 3

#Installez la bibliothèque dans l'environnement de flux d'air
gcloud composer environments update ${ENVIRONMENT_NAME} \
--update-pypi-packages-from-file airflow/config/requirements.txt \
--location ${LOCATION}

#Définir les variables d'environnement sur le flux d'air
gcloud composer environments run \
  --location=${LOCATION} \
  ${ENVIRONMENT_NAME} \
  variables -- \
  --set slack_access_token ${slack_access_token} project_id ${project_id}

implémentation du fichier dag

Le fichier dag créé cette fois est le suivant. Cela ne suffit pas à expliquer, je vais donc l'expliquer en séparant le code pour chaque tâche.

import os
import airflow
import datetime
from airflow.models import Variable
from airflow.operators.bash_operator import BashOperator
from airflow.operators.dummy_operator import DummyOperator
from airflow.contrib.operators.dataflow_operator import DataFlowPythonOperator
from airflow.operators.slack_operator import SlackAPIPostOperator
from airflow import configuration
from airflow.utils.trigger_rule import TriggerRule
from airflow.contrib.operators.mlengine_operator \
    import MLEngineTrainingOperator, MLEngineBatchPredictionOperator

BUCKET = 'gs://your_bucket'
PROJECT_ID = Variable.get('project_id')
REGION = 'us-central1'
YESTERDAY = datetime.datetime.now() - datetime.timedelta(days=1)
PACKAGE_URI = BUCKET + '/code/trainer-0.1.tar.gz'
OUTDIR = BUCKET + '/trained_model'
DATAFLOW_TRAIN_FILE = os.path.join(
    configuration.get('core', 'dags_folder'), 
    'dataflow', 'extract_train_data.py')

DATAFLOW_PRED_FILE = os.path.join(
    configuration.get('core', 'dags_folder'),
    'dataflow', 'extract_pred_data.py')

DATAFLOW_LOAD_FILE = os.path.join(
    configuration.get('core', 'dags_folder'),
    'dataflow', 'load.py')

DEFAULT_ARGS = {
    'owner': 'Composer Example',
    'depends_on_past': False,
    'email': [''],
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': datetime.timedelta(minutes=5),
    'start_date': YESTERDAY,
    'project_id': Variable.get('project_id'),
    'dataflow_default_options': {
        'project': Variable.get('project_id'),
        'temp_location': 'gs://your_composer_bucket/temp',
        'runner': 'DataflowRunner'
    }
}

def get_date():
    jst_now = datetime.datetime.now()
    dt = datetime.datetime.strftime(jst_now, "%Y-%m-%d")
    return dt


with airflow.DAG(
        'asl_ml_pipeline',
        'catchup=False',
        default_args=DEFAULT_ARGS,
        schedule_interval=datetime.timedelta(days=1)) as dag:

    start = DummyOperator(task_id='start')
    
    ####
    #Tâches de formation sur ML Engine
    ####

    job_id = 'dev-train-{}'.\
        format(datetime.datetime.now().strftime('%Y%m%d%H%M'))
    job_dir = BUCKET + '/jobs/' + job_id

    submit_train_job = MLEngineTrainingOperator(
        task_id='train-model',
        project_id=PROJECT_ID,
        job_id=job_id,
        package_uris=[PACKAGE_URI],
        region=REGION,
        training_python_module='trainer.task',
        training_args=[f'--output_dir={OUTDIR}',
                       f'--job_dir={job_dir}',
                       '--dropout_rate=0.5',
                       '--batch_size=128',
                       '--train_step=1'
                       ],
        scale_tier='BASIC_GPU',
        python_version='3.5'
    )
    ####
    #Tâche de déploiement du modèle
    #### 

    BASE_VERSION_NAME = 'v1_0'
    VERSION_NAME = '{0}_{1}'.\
        format(BASE_VERSION_NAME, datetime.datetime.now().strftime('%Y_%m_%d'))
    MODEL_NAME = 'dev_train'

    deploy_model = BashOperator(
        task_id='deploy-model',
        bash_command='gcloud ml-engine versions create '
                     '{{ params.version_name}} '
                     '--model {{ params.model_name }} '
                     '--origin $(gsutil ls gs://your_bucket/trained_model/export/exporter | tail -1) '
                     '--python-version="3.5" '
                     '--runtime-version=1.14 ',
        params={'version_name': VERSION_NAME,
                'model_name': MODEL_NAME}
    )
    
    ####
    #Tâche de prédiction par lots avec ML Engine
    ####
    today = get_date()

    input_path = BUCKET + f'/preprocess/{today}/prediction/prediction-*'
    output_path = BUCKET + f'/result/{today}/'

    batch_prediction = MLEngineBatchPredictionOperator(
        task_id='batch-prediction',
        data_format='TEXT',
        region=REGION,
        job_id=job_id,
        input_paths=input_path,
        output_path=output_path,
        model_name=MODEL_NAME,
        version_name=VERSION_NAME
    )

    ####
    #Tâche d'extraction de données avec DataFlow
    ####
    job_args = {
        'output': 'gs://your_bucket/preprocess'
    }

    create_train_data = DataFlowPythonOperator(
        task_id='create-train-data',
        py_file=DATAFLOW_TRAIN_FILE,
        options=job_args
    )

    create_pred_data = DataFlowPythonOperator(
        task_id='create-pred-data',
        py_file=DATAFLOW_PRED_FILE,
        options=job_args
    )
    ####
    #Tâche de chargement de données dans BigQuery avec DataFlow
    ####
    load_results = DataFlowPythonOperator(
        task_id='load_pred_results',
        py_file=DATAFLOW_LOAD_FILE
    )
        post_success_slack_train = SlackAPIPostOperator(
        task_id='post-success-train-to-slack',
        token=Variable.get('slack_access_token'),
        text='Train is succeeded',
        channel='#feed'
    )

    post_fail_slack_train = SlackAPIPostOperator(
        task_id='post-fail-train-to-slack',
        token=Variable.get('slack_access_token'),
        trigger_rule=TriggerRule.ONE_FAILED,
        text='Train is failed',
        channel='#feed'
    )
    ####
    #Tâche pour POSTER un message à Slack
    ####
    post_success_slack_pred = SlackAPIPostOperator(
        task_id='post-success-pred-to-slack',
        token=Variable.get('slack_access_token'),
        text='Prediction is succeeded',
        channel='#feed'
    )

    post_fail_slack_pred = SlackAPIPostOperator(
        task_id='post-fail-pred-to-slack',
        token=Variable.get('slack_access_token'),
        trigger_rule=TriggerRule.ONE_FAILED,
        text='Prediction is failed',
        channel='#feed'
    )


    end = DummyOperator(task_id='end')

    start >> [create_train_data, create_pred_data] >> submit_train_job \
        >> [post_fail_slack_train, post_success_slack_train]
    post_fail_slack_train >> end

    post_success_slack_train >> deploy_model >> batch_prediction \
        >> load_results \
        >> [post_success_slack_pred, post_fail_slack_pred] >> end

Extraction de données de BigQuery et exportation vers GCS

C'est la première tâche que nous effectuons dans la phase de formation. (Cadre rouge dans la figure ci-dessous) Les données sont extraites de BigQuery à l'aide de DataFlow et placées dans un bucket approprié de GCS.

Description du fichier DAG

--Constant DATAFLOW_TRAIN_FILE / DATAFLOW_PRED_FILE

• Chemin du fichier où se trouve le fichier exécutable DataFlow
• Les fichiers sous le répertoire dags dans le Bucket créés lors de la création de l'environnement Cloud Composer sont synchronisés par l'agent de flux d'air toutes les quelques secondes.

--Constant DEFAULT_ARGS --Définissez les variables d'environnement lors de l'exécution de DataFlow dans l'argument de dataflow_default_options.

• ClasseDataFlowPythonOperator --Classe pour exécuter JOB en utilisant DataFlow comme fichier python
• L'argument py_file a le chemin où se trouve le fichier exécutable. --ʻOptions` Spécifiez l'argument à passer au fichier d'exécution dans l'argument --Cette fois, le chemin du fichier pour placer les données dans GCS est spécifié.

DATAFLOW_TRAIN_FILE = os.path.join(
    configuration.get('core', 'dags_folder'), 
    'dataflow', 'extract_train_data.py')

DATAFLOW_PRED_FILE = os.path.join(
    configuration.get('core', 'dags_folder'),
    'dataflow', 'extract_pred_data.py')

DEFAULT_ARGS = {
    'owner': 'Composer Example',
    'depends_on_past': False,
    'email': [''],
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': datetime.timedelta(minutes=5),
    'start_date': YESTERDAY,
    'project_id': Variable.get('project_id'),
    'dataflow_default_options': {
        'project': Variable.get('project_id'),
        'temp_location': 'gs://your_composer_bucket/temp',
        'runner': 'DataflowRunner'
    }
}
    ####
    #Tâche d'extraction de données avec DataFlow
    ####
    #Chemin du fichier lors de la mise des données dans GCS
    job_args = {
        'output': 'gs://your_bucket/preprocess'
    }

    create_train_data = DataFlowPythonOperator(
        task_id='create-train-data',
        py_file=DATAFLOW_TRAIN_FILE,
        options=job_args
    )

    create_pred_data = DataFlowPythonOperator(
        task_id='create-pred-data',
        py_file=DATAFLOW_PRED_FILE,
        options=job_args
    )

Description du fichier exécutable DataFlow

Le fichier suivant est un processus à diviser en «données de train» et «données de test» et à les mettre dans GCS pour la formation. (Aussi, dans un souci de simplification de l'article, je vais omettre l'explication de la requête pour diviser en "données de train" et "données de test". Le hachage est effectué en supposant qu'il existe une colonne d'horodatage, et le reste après la division (Divisé par la valeur de)

Il y a deux points à prendre en compte ici.

--Convertir en fichier CSV

• Puisque vous souhaitez enfin générer une sortie sous forme de fichier CSV, vous devez convertir les données extraites de BigQuery dans un format séparé par des virgules.
• Ici, nous avons préparé une fonction appelée to_csv.

--Version Python de DataFlow

• Puisque Python de DataFlow est 3.5.x, la syntaxe telle que f-strings ajoutée à partir de 3.6 ne peut pas être utilisée.

import os
import argparse
import logging
from datetime import datetime

import apache_beam as beam
from apache_beam.options.pipeline_options import \
    PipelineOptions

PROJECT = 'your_project_id'


def create_query(phase):
    base_query = """
    SELECT
        *,
        MOD(ABS(FARM_FINGERPRINT(CAST(timestamp AS STRING))), 10) AS hash_value
    FROM
        `dataset.your_table`
    """

    if phase == 'TRAIN':
        subsumple = """
        hash_value < 7
        """
    elif phase == 'TEST':
        subsumple = """
        hash_value >= 7
        """

    query = """
    SELECT 
        column1,
        column2,
        column3,
        row_number()over() as key
    FROM 
        ({0})
    WHERE {1}
    """.\
        format(base_query, subsumple)

    return query


def to_csv(line):
    csv_columns = 'column1,column2,column3,key'.split(',')
    rowstring = ','.join([str(line[k]) for k in csv_columns])
    return rowstring


def get_date():
    jst_now = datetime.now()
    dt = datetime.strftime(jst_now, "%Y-%m-%d")

    return dt


def run(argv=None):
    parser = argparse.ArgumentParser()

    parser.add_argument(
        '--output',
        required=True
    )

    known_args, pipeline_args = \
        parser.parse_known_args(argv)

    options = PipelineOptions(pipeline_args)
    with beam.Pipeline(options=options) as p:
        for phase in ['TRAIN', 'TEST']:
            query = create_query(phase)

            date = get_date()
            output_path = os.path.join(known_args.output, date,
                                       'train', "{}".format(phase))

            read = p | 'ExtractFromBigQuery_{}'.format(phase) >> beam.io.Read(
                beam.io.BigQuerySource(
                    project=PROJECT,
                    query=query,
                    use_standard_sql=True
                )
            )

            convert = read | 'ConvertToCSV_{}'.format(phase) >> beam.Map(to_csv)

            convert | 'WriteToGCS_{}'.format(phase) >> beam.io.Write(
                beam.io.WriteToText(output_path, file_name_suffix='.csv'))


if __name__ == '__main__':
    logging.getLogger().setLevel(logging.INFO)
    run()

Formation et déploiement sur ML Engine

Ici, nous n'expliquerons pas les tâches d'entraînement à l'aide de ML Engine et de déploiement du modèle entraîné. De plus, cette fois, j'omettrai l'explication du fichier d'exécution «task.py» et du fichier modèle «model.py» utilisé dans ML Engine.

Nous préparons cette fois un seau pour ML Engine. Par conséquent, veuillez noter qu'un total de deux buckets est utilisé correctement lorsqu'ils sont combinés avec le bucket créé lors de la création de l'environnement Cloud Composer.

.
├── your_bucket 
│    ├── code //Modèle requis pour l'apprentissage.py et tâche.Mettez un fichier gz avec py etc.
│    │
│    └── trainde_model  //Le fichier de modèle entraîné est placé
│
└── your_composer_bucket //Bucket créé lors de la création de l'environnement Cloud Composer

Description du fichier DAG

--Constant PACKAGE_URI

• Chemin du fichier où se trouve le fichier exécutable de ML Engine

• Cette fois, le fichier gz contenant trainer.py et model.py est placé sous le gs: // your_bucket / code ci-dessus. --Cette constante est spécifiée dans l'argument package_uris de la classe MLEngineTrainingOperator.

• ClasseBashOperator --Classe pour exécuter la commande bash

• Cette fois, la commande bash est utilisée lors du déploiement du fichier de modèle entraîné.

• Le modèle est déployé en exécutant gcloud ml-engine versions create.

• (Probablement) Vous pouvez faire la même chose avec la classe MLEngineVersionOperator, mais cette fois j'ai utilisé la commande bash.

PACKAGE_URI = BUCKET + '/code/trainer-0.1.tar.gz'
OUTDIR = BUCKET + '/trained_model'

    job_id = 'dev-train-{}'.\
        format(datetime.datetime.now().strftime('%Y%m%d%H%M'))
    job_dir = BUCKET + '/jobs/' + job_id

    submit_train_job = MLEngineTrainingOperator(
        task_id='train-model',
        project_id=PROJECT_ID,
        job_id=job_id,
        package_uris=[PACKAGE_URI],
        region=REGION,
        training_python_module='trainer.task',
        training_args=[f'--output_dir={OUTDIR}',
                       f'--job_dir={job_dir}',
                       '--dropout_rate=0.5',
                       '--batch_size=128',
                       '--train_step=1'
                       ],
        scale_tier='BASIC_GPU',
        python_version='3.5'
    )
    today = get_date()

    BASE_VERSION_NAME = 'v1_0'
    VERSION_NAME = '{0}_{1}'.\
        format(BASE_VERSION_NAME, datetime.datetime.now().strftime('%Y_%m_%d'))
    MODEL_NAME = 'dev_model'

    deploy_model = BashOperator(
        task_id='deploy-model',
        bash_command='gcloud ml-engine versions create '
                     '{{ params.version_name}} '
                     '--model {{ params.model_name }} '
                     '--origin $(gsutil ls gs://your_bucket/trained_model/export/exporter | tail -1) '
                     '--python-version="3.5" '
                     '--runtime-version=1.14 ',
        params={'version_name': VERSION_NAME,
                'model_name': MODEL_NAME}
    )

Prédiction par lots avec ML Engine

Ici, nous allons expliquer la tâche de faire une prédiction par lots en utilisant le modèle déployé précédemment.

--Constant ʻinput_path`

• Le chemin du fichier CSV extrait et placé dans GCS pour la prédiction faite précédemment

--Constant ʻoutput_path`

• Chemin du fichier GCS pour mettre le résultat prévu

Description du fichier DAG

    input_path = BUCKET + f'/preprocess/{today}/prediction/prediction-*'
    output_path = BUCKET + f'/result/{today}/'

    batch_prediction = MLEngineBatchPredictionOperator(
        task_id='batch-prediction',
        data_format='TEXT',
        region=REGION,
        job_id=job_id,
        input_paths=input_path,
        output_path=output_path,
        model_name=MODEL_NAME,
        version_name=VERSION_NAME
    )

Chargez le résultat de la prédiction par lots dans BigQuery

Cette section décrit la tâche de chargement du résultat de prédiction prévu précédemment dans BigQuery à l'aide de DataFlow.

Description du fichier DAG

Pour les fichiers Dag, elle est similaire à la tâche "Extraire les données de BigQuery" décrite au début. La constante DATAFLOW_LOAD_FILE spécifie le chemin du fichier GCS où se trouve le fichier exécutable DataFlow.

DATAFLOW_LOAD_FILE = os.path.join(
    configuration.get('core', 'dags_folder'),
    'dataflow', 'load.py')

    load_results = DataFlowPythonOperator(
        task_id='load_pred_results',
        py_file=DATAFLOW_LOAD_FILE
    )

Description du fichier exécutable DataFlow

Dans le fichier suivant, le fichier placé dans GCS est lu, converti au format Json et chargé dans une table appropriée de BigQuery. À quoi vous devez faire attention ici

• Les résultats de la prédiction par lots sont placés dans GCS sous la forme d'un fichier texte au format json.
• Puisque la valeur du résultat de sortie de la prédiction écrite dans le fichier texte est décrite comme un format de liste, si vous essayez de la charger telle quelle, le type ne correspondra pas et une erreur se produira. - {"key": [0], "prediction: [3.45...]"}

import logging
import argparse

import apache_beam as beam
from apache_beam.options.pipeline_options import PipelineOptions

BUCKET_NAME = 'your_bucket'
INPUT = 'gs://{}/result/prediction.results-*'.format(BUCKET_NAME)


def convert(line):
    import json
    record = json.loads(line)
    return {'key': record['key'][0], 'predictions': record['predictions'][0]}


def run(argv=None):
    parser = argparse.ArgumentParser()

    known_args, pipeline_args = \
        parser.parse_known_args(argv)

    options = PipelineOptions(pipeline_args)
    
    with beam.Pipeline(options=options) as p:
        dataset = 'your_dataset.results'
        
        read = p | 'ReadPredictionResult' >> beam.io.ReadFromText(INPUT)
        json = read | 'ConvertJson' >> beam.Map(convert)
        json | 'WriteToBigQuery' >> beam.io.Write(beam.io.BigQuerySink(
            dataset,
            schema='key:INTEGER, predictions:FLOAT',
            create_disposition=beam.io.BigQueryDisposition.CREATE_IF_NEEDED,
            write_disposition=beam.io.BigQueryDisposition.WRITE_TRUNCATE))


if __name__ == '__main__':
    logging.getLogger().setLevel(logging.INFO)
    run()

en conclusion

J'utilise généralement AWS, mais depuis que j'ai eu l'occasion de parler des services GCP, j'ai résumé les services liés au ML. J'espère que cela sera utile pour ceux qui s'inquiètent du flux de travail ML.

Il existe un endroit pour déployer le modèle formé avec ML Engine tel quel, mais ce n'est pas recommandé. Nous vous recommandons de créer un mécanisme pour mesurer / comparer la précision du modèle que vous avez appris et de le déployer après avoir pris en sandwich la tâche.