 مشاهده در TensorFlow.org |  در Google Colab اجرا کنید |  مشاهده منبع در GitHub |  بارگیری نوت بوک |
بررسی اجمالی
این آموزش نحوه ایجاد tf.data.Dataset از یک سرور پایگاه داده PostgreSQL را نشان می دهد ، به طوری که می توان Dataset ایجاد شده را برای اهداف آموزشی یا استنباط به tf.keras منتقل کرد.
یک پایگاه داده SQL منبع مهمی از داده ها برای دانشمند داده است. به عنوان یکی از محبوب ترین پایگاه داده منبع باز SQL ، PostgreSQL به طور گسترده در شرکت ها برای ذخیره داده های انتقادی و تراکنش در سراسر صفحه استفاده می شود. ایجاد Dataset از سرور پایگاه داده PostgreSQL به طور مستقیم و انتقال Dataset به tf.keras برای آموزش یا استنتاج ، می تواند خط لوله داده را بسیار ساده کند و به دانشمند داده کمک کند تا در ساخت مدل های یادگیری ماشین تمرکز کنند.
تنظیم و استفاده
بسته های مورد نیاز tensorflow-io را نصب کنید و زمان اجرا را مجدداً راه اندازی کنید
try:
%tensorflow_version 2.x
except Exception:
pass
!pip install -q tensorflow-io
نصب و راه اندازی PostgreSQL (اختیاری)
به منظور نمایش استفاده در Google Colab ، سرور PostgreSQL را نصب می کنید. رمز عبور و یک پایگاه داده خالی نیز مورد نیاز است.
اگر این نوت بوک را در Google Colab در حال اجرا ندارید ، یا ترجیح می دهید از یک پایگاه داده موجود استفاده کنید ، لطفاً تنظیمات زیر را پرش کرده و به بخش بعدی بروید.
# Install postgresql server
!sudo apt-get -y -qq update
!sudo apt-get -y -qq install postgresql
!sudo service postgresql start
# Setup a password `postgres` for username `postgres`
!sudo -u postgres psql -U postgres -c "ALTER USER postgres PASSWORD 'postgres';"
# Setup a database with name `tfio_demo` to be used
!sudo -u postgres psql -U postgres -c 'DROP DATABASE IF EXISTS tfio_demo;'
!sudo -u postgres psql -U postgres -c 'CREATE DATABASE tfio_demo;'
Preconfiguring packages ...
Selecting previously unselected package libpq5:amd64.
(Reading database ... 226072 files and directories currently installed.)
Preparing to unpack .../0-libpq5_10.12-0ubuntu0.18.04.1_amd64.deb ...
Unpacking libpq5:amd64 (10.12-0ubuntu0.18.04.1) ...
Selecting previously unselected package postgresql-client-common.
Preparing to unpack .../1-postgresql-client-common_190ubuntu0.1_all.deb ...
Unpacking postgresql-client-common (190ubuntu0.1) ...
Selecting previously unselected package postgresql-client-10.
Preparing to unpack .../2-postgresql-client-10_10.12-0ubuntu0.18.04.1_amd64.deb ...
Unpacking postgresql-client-10 (10.12-0ubuntu0.18.04.1) ...
Selecting previously unselected package ssl-cert.
Preparing to unpack .../3-ssl-cert_1.0.39_all.deb ...
Unpacking ssl-cert (1.0.39) ...
Selecting previously unselected package postgresql-common.
Preparing to unpack .../4-postgresql-common_190ubuntu0.1_all.deb ...
Adding 'diversion of /usr/bin/pg_config to /usr/bin/pg_config.libpq-dev by postgresql-common'
Unpacking postgresql-common (190ubuntu0.1) ...
Selecting previously unselected package postgresql-10.
Preparing to unpack .../5-postgresql-10_10.12-0ubuntu0.18.04.1_amd64.deb ...
Unpacking postgresql-10 (10.12-0ubuntu0.18.04.1) ...
Selecting previously unselected package postgresql.
Preparing to unpack .../6-postgresql_10+190ubuntu0.1_all.deb ...
Unpacking postgresql (10+190ubuntu0.1) ...
Selecting previously unselected package sysstat.
Preparing to unpack .../7-sysstat_11.6.1-1ubuntu0.1_amd64.deb ...
Unpacking sysstat (11.6.1-1ubuntu0.1) ...
Setting up sysstat (11.6.1-1ubuntu0.1) ...
Creating config file /etc/default/sysstat with new version
update-alternatives: using /usr/bin/sar.sysstat to provide /usr/bin/sar (sar) in auto mode
Created symlink /etc/systemd/system/multi-user.target.wants/sysstat.service → /lib/systemd/system/sysstat.service.
Setting up ssl-cert (1.0.39) ...
Setting up libpq5:amd64 (10.12-0ubuntu0.18.04.1) ...
Setting up postgresql-client-common (190ubuntu0.1) ...
Setting up postgresql-common (190ubuntu0.1) ...
Adding user postgres to group ssl-cert
Creating config file /etc/postgresql-common/createcluster.conf with new version
Building PostgreSQL dictionaries from installed myspell/hunspell packages...
Removing obsolete dictionary files:
Created symlink /etc/systemd/system/multi-user.target.wants/postgresql.service → /lib/systemd/system/postgresql.service.
Setting up postgresql-client-10 (10.12-0ubuntu0.18.04.1) ...
update-alternatives: using /usr/share/postgresql/10/man/man1/psql.1.gz to provide /usr/share/man/man1/psql.1.gz (psql.1.gz) in auto mode
Setting up postgresql-10 (10.12-0ubuntu0.18.04.1) ...
Creating new PostgreSQL cluster 10/main ...
/usr/lib/postgresql/10/bin/initdb -D /var/lib/postgresql/10/main --auth-local peer --auth-host md5
The files belonging to this database system will be owned by user "postgres".
This user must also own the server process.
The database cluster will be initialized with locale "C.UTF-8".
The default database encoding has accordingly been set to "UTF8".
The default text search configuration will be set to "english".
Data page checksums are disabled.
fixing permissions on existing directory /var/lib/postgresql/10/main ... ok
creating subdirectories ... ok
selecting default max_connections ... 100
selecting default shared_buffers ... 128MB
selecting default timezone ... Etc/UTC
selecting dynamic shared memory implementation ... posix
creating configuration files ... ok
running bootstrap script ... ok
performing post-bootstrap initialization ... ok
syncing data to disk ... ok
Success. You can now start the database server using:
/usr/lib/postgresql/10/bin/pg_ctl -D /var/lib/postgresql/10/main -l logfile start
Ver Cluster Port Status Owner Data directory Log file
10 main 5432 down postgres /var/lib/postgresql/10/main /var/log/postgresql/postgresql-10-main.log
update-alternatives: using /usr/share/postgresql/10/man/man1/postmaster.1.gz to provide /usr/share/man/man1/postmaster.1.gz (postmaster.1.gz) in auto mode
Setting up postgresql (10+190ubuntu0.1) ...
Processing triggers for man-db (2.8.3-2ubuntu0.1) ...
Processing triggers for ureadahead (0.100.0-21) ...
Processing triggers for libc-bin (2.27-3ubuntu1.2) ...
Processing triggers for systemd (237-3ubuntu10.38) ...
ALTER ROLE
NOTICE: database "tfio_demo" does not exist, skipping
DROP DATABASE
CREATE DATABASE
متغیرهای محیطی لازم را تنظیم کنید
متغیرهای محیطی زیر براساس تنظیمات PostgreSQL در آخرین بخش است. اگر راه اندازی متفاوتی دارید یا از یک بانک اطلاعاتی موجود استفاده می کنید ، باید بر این اساس تغییر کنند:
%env TFIO_DEMO_DATABASE_NAME=tfio_demo
%env TFIO_DEMO_DATABASE_HOST=localhost
%env TFIO_DEMO_DATABASE_PORT=5432
%env TFIO_DEMO_DATABASE_USER=postgres
%env TFIO_DEMO_DATABASE_PASS=postgres
env: TFIO_DEMO_DATABASE_NAME=tfio_demo env: TFIO_DEMO_DATABASE_HOST=localhost env: TFIO_DEMO_DATABASE_PORT=5432 env: TFIO_DEMO_DATABASE_USER=postgres env: TFIO_DEMO_DATABASE_PASS=postgres
داده ها را در سرور PostgreSQL آماده کنید
برای اهداف آزمایشی این آموزش یک پایگاه داده ایجاد می کند و پایگاه داده را با برخی داده ها جمع می کند. داده های به کار رفته در این آموزش از مجموعه داده های کیفیت هوا است که از مخزن یادگیری ماشین UCI موجود است.
در زیر پیش نمایش دزدکی حرکت کردن از زیر مجموعه های مجموعه داده های کیفیت هوا:
تاریخ | ساعت | CO (GT) | PT08.S1 (CO) | NMHC (GT) | C6H6 (GT) | PT08.S2 (NMHC) | NOx (GT) | PT08.S3 (NOx) | NO2 (GT) | PT08.S4 (NO2) | PT08.S5 (O3) | T | RH | AH | ---- | ---- | ------ | ----------- | -------- | -------- | --- ---------- | ---- | ---------- | ------- | ------------ | - --------- | - | - | - | 10/03/2004 | 18.00.00 | 2،6 | 1360 | 150 | 11،9 | 1046 | 166 | 1056 | 113 | 1692 | 1268 | 13،6 | 48،9 | 0،7578 | 10/03/2004 | 19.00.00 | 2 | 1292 | 112 | 9،4 | 955 | 103 | 1174 | 92 | 1559 | 972 | 13،3 | 47،7 | 0،7255 | 10/03/2004 | 20.00.00 | 2،2 | 1402 | 88 | 9،0 | 939 | 131 | 1140 | 114 | 1555 | 1074 | 11،9 | 54،0 | 0،7502 | 10/03/2004 | 21.00.00 | 2،2 | 1376 | 80 | 9،2 | 948 | 172 | 1092 | 122 | 1584 | 1203 | 11،0 | 60،0 | 0،7867 | 10/03/2004 | 22.00.00 | 1،6 | 1272 | 51 | 6،5 | 836 | 131 | 1205 | 116 | 1490 | 1110 | 11،2 | 59،6 | 0،7888 |
اطلاعات بیشتر در مورد مجموعه داده های کیفیت هوا و مخزن یادگیری ماشین UCI در بخش منابع موجود است.
برای کمک به ساده سازی اطلاعات ، نسخه sql از مجموعه داده های کیفیت هوا تهیه شده است و به عنوان AirQualityUCI.sql در دسترس است.
عبارت ایجاد جدول عبارت است از:
CREATE TABLE AirQualityUCI (
Date DATE,
Time TIME,
CO REAL,
PT08S1 INT,
NMHC REAL,
C6H6 REAL,
PT08S2 INT,
NOx REAL,
PT08S3 INT,
NO2 REAL,
PT08S4 INT,
PT08S5 INT,
T REAL,
RH REAL,
AH REAL
);
دستورات کامل برای ایجاد جدول در پایگاه داده و جمع آوری داده ها عبارتند از:
!curl -s -OL https://github.com/tensorflow/io/raw/master/docs/tutorials/postgresql/AirQualityUCI.sql
!PGPASSWORD=$TFIO_DEMO_DATABASE_PASS psql -q -h $TFIO_DEMO_DATABASE_HOST -p $TFIO_DEMO_DATABASE_PORT -U $TFIO_DEMO_DATABASE_USER -d $TFIO_DEMO_DATABASE_NAME -f AirQualityUCI.sql
ایجاد Dataset از سرور PostgreSQL و استفاده از آن در TensorFlow
ایجاد یک Dataset از سرور PostgreSQL به آسانی فراخوانی tfio.experimental.IODataset.from_sql با استدلال های query و query و endpoint است. query SQL برای انتخاب ستون ها در جداول است و آرگومان endpoint آدرس و نام بانک اطلاعات است:
import os
import tensorflow_io as tfio
endpoint="postgresql://{}:{}@{}?port={}&dbname={}".format(
os.environ['TFIO_DEMO_DATABASE_USER'],
os.environ['TFIO_DEMO_DATABASE_PASS'],
os.environ['TFIO_DEMO_DATABASE_HOST'],
os.environ['TFIO_DEMO_DATABASE_PORT'],
os.environ['TFIO_DEMO_DATABASE_NAME'],
)
dataset = tfio.experimental.IODataset.from_sql(
query="SELECT co, pt08s1 FROM AirQualityUCI;",
endpoint=endpoint)
print(dataset.element_spec)
{'co': TensorSpec(shape=(), dtype=tf.float32, name=None), 'pt08s1': TensorSpec(shape=(), dtype=tf.int32, name=None)}
همانطور که از خروجی dataset.element_spec بالا مشاهده می کنید ، عنصر Dataset ایجاد شده یک شیء Python disc است که دارای نام ستون های جدول پایگاه داده به عنوان کلید است:
{
'co': TensorSpec(shape=(), dtype=tf.float32, name=None),
'pt08s1': TensorSpec(shape=(), dtype=tf.int32, name=None),
}
استفاده از عملیات بیشتر بسیار مناسب است. به عنوان مثال ، می توانید زمینه nox و no2 از Dataset و تفاوت را محاسبه کنید:
dataset = tfio.experimental.IODataset.from_sql(
query="SELECT nox, no2 FROM AirQualityUCI;",
endpoint=endpoint)
dataset = dataset.map(lambda e: (e['nox'] - e['no2']))
# check only the first 20 record
dataset = dataset.take(20)
print("NOx - NO2:")
for difference in dataset:
print(difference.numpy())
NOx - NO2: 53.0 11.0 17.0 50.0 15.0 -7.0 -15.0 -14.0 -15.0 0.0 -13.0 -12.0 -14.0 16.0 62.0 28.0 14.0 3.0 9.0 34.0
اکنون Dataset ایجاد شده آماده است به طور مستقیم برای اهداف آموزشی یا استنباط به tf.keras منتقل شود.
منابع
- Dua، D. and Graff، C. (2019). مخزن یادگیری ماشین UCI [ http://archive.ics.uci.edu/ml ]. ایروین ، کالیفرنیا: دانشگاه کالیفرنیا ، دانشکده اطلاعات و علوم کامپیوتر.
- S. De Vito، E. Massera، M. Piga، L. Martinotto، G. Di Francia، در مورد کالیبراسیون میدانی الکترونیکی برای تخمین بنزن در سناریوی کنترل آلودگی شهری ، سنسورها و محرک B: شیمیایی ، جلد 129 ، شماره 2 ، 22 فوریه 2008 ، صفحات 750-757 ، ISSN 0925-4005