Esta página foi traduzida pela API Cloud Translation.
Switch to English

Gerando grandes conjuntos de dados com Apache Beam

Alguns conjuntos de dados são muito grandes para serem processados ​​em uma única máquina. tfds oferece suporte à geração de dados em muitas máquinas usando o Apache Beam .

Este documento tem duas seções:

  • Para o usuário que deseja gerar um conjunto de dados Beam existente
  • Para desenvolvedores que desejam criar um novo conjunto de dados Beam

Gerando um conjunto de dados Beam

Abaixo estão diferentes exemplos de geração de um conjunto de dados Beam, na nuvem ou localmente.

No Google Cloud Dataflow

Para executar o pipeline usando o Google Cloud Dataflow e aproveitar as vantagens da computação distribuída, primeiro siga as instruções de início rápido .

Depois que seu ambiente estiver configurado, você pode executar o tfds build CLI usando um diretório de dados no GCS e especificando as opções necessárias para o sinalizador --beam_pipeline_options .

Para facilitar a inicialização do script, é útil definir as seguintes variáveis ​​usando os valores reais para a configuração do GCP / GCS e o conjunto de dados que você deseja gerar:

DATASET_NAME=<dataset-name>
DATASET_CONFIG=<dataset-config>
GCP_PROJECT=my-project-id
GCS_BUCKET=gs://my-gcs-bucket

Em seguida, você precisará criar um arquivo para instruir o Dataflow a instalar tfds nos trabalhadores:

echo "tensorflow_datasets[$DATASET_NAME]" > /tmp/beam_requirements.txt

Se você estiver usando tfds-nightly , certifique-se de ecoar de tfds-nightly , caso o conjunto de dados tenha sido atualizado desde a última versão.

echo "tfds-nightly[$DATASET_NAME]" > /tmp/beam_requirements.txt

Finalmente, você pode iniciar o trabalho usando o comando abaixo:

tfds build $DATASET_NAME/$DATASET_CONFIG \
  --data_dir=$GCS_BUCKET/tensorflow_datasets \
  --beam_pipeline_options=\
"runner=DataflowRunner,project=$GCP_PROJECT,job_name=$DATASET_NAME-gen,"\
"staging_location=$GCS_BUCKET/binaries,temp_location=$GCS_BUCKET/temp,"\
"requirements_file=/tmp/beam_requirements.txt"

Localmente

Para executar seu script localmente usando o executor Apache Beam padrão, o comando é o mesmo que para outros conjuntos de dados:

tfds build my_dataset

Com um script personalizado

Para gerar o conjunto de dados no Beam, a API é a mesma que para outros conjuntos de dados. Você pode personalizar o beam.Pipeline usando os beam_options (e beam_runner ) de DownloadConfig .

# If you are running on Dataflow, Spark,..., you may have to set-up runtime
# flags. Otherwise, you can leave flags empty [].
flags = ['--runner=DataflowRunner', '--project=<project-name>', ...]

# `beam_options` (and `beam_runner`) will be forwarded to `beam.Pipeline`
dl_config = tfds.download.DownloadConfig(
    beam_options=beam.options.pipeline_options.PipelineOptions(flags=flags)
)
data_dir = 'gs://my-gcs-bucket/tensorflow_datasets'
builder = tfds.builder('wikipedia/20190301.en', data_dir=data_dir)
builder.download_and_prepare(download_config=dl_config)

Implementando um conjunto de dados Beam

Pré-requisitos

Para escrever conjuntos de dados do Apache Beam, você deve estar familiarizado com os seguintes conceitos:

Instruções

Se você estiver familiarizado com o guia de criação de conjunto de dados , adicionar um conjunto de dados Beam requer apenas a modificação da função _generate_examples . A função deve retornar um objeto de feixe, em vez de um gerador:

Conjunto de dados sem feixe:

def _generate_examples(self, path):
  for f in path.iterdir():
    yield _process_example(f)

Conjunto de dados do feixe:

def _generate_examples(self, path):
  return (
      beam.Create(path.iterdir())
      | beam.Map(_process_example)
  )

Todo o resto pode ser 100% idêntico, incluindo testes.

Algumas considerações adicionais:

  • Use tfds.core.lazy_imports para importar o Apache Beam. Usando uma dependência preguiçosa, os usuários ainda podem ler o conjunto de dados após ele ter sido gerado sem precisar instalar o Beam.
  • Tenha cuidado com os encerramentos Python. Ao executar o pipeline, os beam.Map e beam.DoFn funções são serializados utilizando pickle e enviado a todos os trabalhadores. Não faça objetos mutáveis ​​dentro de um beam.PTransform se o estado tiver que ser compartilhado entre os trabalhadores.
  • Devido à maneira como tfds.core.DatasetBuilder é serializado com pickle, a mutação de tfds.core.DatasetBuilder durante a criação de dados será ignorada nos trabalhadores (por exemplo, não é possível definir self.info.metadata['offset'] = 123 em _split_generators e acesse-o a partir dos workers como beam.Map(lambda x: x + self.info.metadata['offset']) )
  • Se você precisar compartilhar algumas etapas do pipeline entre as divisões, pode adicionar um pipeline: beam.Pipeline extra pipeline: beam.Pipeline kwarg to _split_generator e controlar o pipeline de geração completo. Veja _generate_examples documentação de tfds.core.GeneratorBasedBuilder .

Exemplo

Aqui está um exemplo de um conjunto de dados Beam.

class DummyBeamDataset(tfds.core.GeneratorBasedBuilder):

  VERSION = tfds.core.Version('1.0.0')

  def _info(self):
    return tfds.core.DatasetInfo(
        builder=self,
        features=tfds.features.FeaturesDict({
            'image': tfds.features.Image(shape=(16, 16, 1)),
            'label': tfds.features.ClassLabel(names=['dog', 'cat']),
        }),
    )

  def _split_generators(self, dl_manager):
    ...
    return {
        'train': self._generate_examples(file_dir='path/to/train_data/'),
        'test': self._generate_examples(file_dir='path/to/test_data/'),
    }

  def _generate_examples(self, file_dir: str):
    """Generate examples as dicts."""
    beam = tfds.core.lazy_imports.apache_beam

    def _process_example(filename):
      # Use filename as key
      return filename, {
          'image': os.path.join(file_dir, filename),
          'label': filename.split('.')[1],  # Extract label: "0010102.dog.jpeg"
      }

    return (
        beam.Create(tf.io.gfile.listdir(file_dir))
        | beam.Map(_process_example)
    )

Executando seu pipeline

Para executar o pipeline, dê uma olhada na seção acima.

tfds build my_dataset --register_checksums