TFX और Vertex पाइपलाइनों के साथ BigQuery से डेटा पढ़ना

यह नोटबुक-आधारित ट्यूटोरियल एक ML मॉडल को प्रशिक्षित करने के लिए डेटा स्रोत के रूप में Google क्लाउड BigQuery का उपयोग करेगा। एमएल पाइपलाइन का निर्माण टीएफएक्स का उपयोग करके किया जाएगा और Google क्लाउड वर्टेक्स पाइपलाइनों पर चलेगा।

यह नोटबुक टीएफएक्स पाइपलाइन पर आधारित है जिसे हमने वर्टेक्स पाइपलाइन ट्यूटोरियल के लिए सरल टीएफएक्स पाइपलाइन में बनाया है। यदि आपने अभी तक उस ट्यूटोरियल को नहीं पढ़ा है, तो इस नोटबुक के साथ आगे बढ़ने से पहले आपको इसे पढ़ना चाहिए।

BigQuery सर्वर रहित, अत्यधिक स्केलेबल और किफ़ायती मल्टी-क्लाउड डेटा वेयरहाउस है जिसे व्यावसायिक चपलता के लिए डिज़ाइन किया गया है। TFX का उपयोग BigQuery के प्रशिक्षण डेटा को पढ़ने और प्रशिक्षित मॉडल को BigQuery में प्रकाशित करने के लिए किया जा सकता है।

इस ट्यूटोरियल में, हम BigQueryExampleGen कॉम्पोनेन्ट का उपयोग करेंगे जो BigQuery से TFX पाइपलाइनों के डेटा को पढ़ता है।

यह नोटबुक Google Colab या AI प्लेटफ़ॉर्म नोटबुक पर चलाने के लिए अभिप्रेत है। यदि आप इनमें से किसी एक का उपयोग नहीं कर रहे हैं, तो आप बस ऊपर "Google Colab में चलाएँ" बटन पर क्लिक कर सकते हैं।

सेट अप

यदि आपने वर्टेक्स पाइपलाइन ट्यूटोरियल के लिए सरल TFX पाइपलाइन पूरी कर ली है, तो आपके पास एक कार्यशील GCP प्रोजेक्ट और एक GCS बकेट होगा और इस ट्यूटोरियल के लिए हमें बस इतना ही चाहिए। यदि आप चूक गए हैं तो कृपया पहले प्रारंभिक ट्यूटोरियल पढ़ें।

पायथन पैकेज स्थापित करें

हम लेखक एमएल पाइपलाइनों के लिए टीएफएक्स और केएफपी सहित आवश्यक पायथन पैकेज स्थापित करेंगे और वर्टेक्स पाइपलाइनों को नौकरियां जमा करेंगे।

# Use the latest version of pip.
pip install --upgrade pip
pip install --upgrade "tfx[kfp]<2"

क्या आपने रनटाइम को पुनरारंभ किया?

यदि आप Google Colab का उपयोग कर रहे हैं, जब आप पहली बार ऊपर सेल चलाते हैं, तो आपको "रनटाइम को पुनरारंभ करें" बटन पर क्लिक करके या "रनटाइम> रनटाइम पुनरारंभ करें ..." मेनू का उपयोग करके रनटाइम को पुनरारंभ करना होगा। ऐसा इसलिए है क्योंकि Colab संकुल को लोड करता है।

यदि आप Colab पर नहीं हैं, तो आप निम्न सेल के साथ रनटाइम को पुनरारंभ कर सकते हैं।

# docs_infra: no_execute
import sys
if not 'google.colab' in sys.modules:
  # Automatically restart kernel after installs
  import IPython
  app = IPython.Application.instance()
  app.kernel.do_shutdown(True)

इस नोटबुक के लिए Google में लॉगिन करें

यदि आप इस नोटबुक को Colab पर चला रहे हैं, तो अपने उपयोगकर्ता खाते से प्रमाणित करें:

import sys
if 'google.colab' in sys.modules:
  from google.colab import auth
  auth.authenticate_user()

यदि आप AI प्लेटफ़ॉर्म नोटबुक पर हैं , तो अगला भाग चलाने से पहले Google क्लाउड से प्रमाणित करें

gcloud auth login

टर्मिनल विंडो में (जिसे आप मेनू में फ़ाइल > नया के माध्यम से खोल सकते हैं)। आपको प्रति नोटबुक इंस्टेंस में केवल एक बार ऐसा करने की आवश्यकता है।

पैकेज संस्करणों की जाँच करें।

import tensorflow as tf
print('TensorFlow version: {}'.format(tf.__version__))
from tfx import v1 as tfx
print('TFX version: {}'.format(tfx.__version__))
import kfp
print('KFP version: {}'.format(kfp.__version__))
TensorFlow version: 2.7.1
TFX version: 1.6.0
KFP version: 1.8.11

चर सेट करें

हम नीचे पाइपलाइनों को अनुकूलित करने के लिए उपयोग किए जाने वाले कुछ चर स्थापित करेंगे। निम्नलिखित जानकारी की आवश्यकता है:

इसे चलाने से पहले नीचे दिए गए सेल में आवश्यक मान दर्ज करें

GOOGLE_CLOUD_PROJECT = ''         # <--- ENTER THIS
GOOGLE_CLOUD_PROJECT_NUMBER = ''  # <--- ENTER THIS
GOOGLE_CLOUD_REGION = ''          # <--- ENTER THIS
GCS_BUCKET_NAME = ''              # <--- ENTER THIS

if not (GOOGLE_CLOUD_PROJECT and  GOOGLE_CLOUD_PROJECT_NUMBER and GOOGLE_CLOUD_REGION and GCS_BUCKET_NAME):
    from absl import logging
    logging.error('Please set all required parameters.')
ERROR:absl:Please set all required parameters.

अपने प्रोजेक्ट का उपयोग करने के लिए gcloud सेट करें।

gcloud config set project {GOOGLE_CLOUD_PROJECT}
ERROR: (gcloud.config.set) argument VALUE: Must be specified.
Usage: gcloud config set SECTION/PROPERTY VALUE [optional flags]
  optional flags may be  --help | --installation

For detailed information on this command and its flags, run:
  gcloud config set --help
PIPELINE_NAME = 'penguin-bigquery'

# Path to various pipeline artifact.
PIPELINE_ROOT = 'gs://{}/pipeline_root/{}'.format(
    GCS_BUCKET_NAME, PIPELINE_NAME)

# Paths for users' Python module.
MODULE_ROOT = 'gs://{}/pipeline_module/{}'.format(
    GCS_BUCKET_NAME, PIPELINE_NAME)

# Paths for users' data.
DATA_ROOT = 'gs://{}/data/{}'.format(GCS_BUCKET_NAME, PIPELINE_NAME)

# This is the path where your model will be pushed for serving.
SERVING_MODEL_DIR = 'gs://{}/serving_model/{}'.format(
    GCS_BUCKET_NAME, PIPELINE_NAME)

print('PIPELINE_ROOT: {}'.format(PIPELINE_ROOT))
PIPELINE_ROOT: gs:///pipeline_root/penguin-bigquery

डिफ़ॉल्ट रूप से वर्टेक्स पाइपलाइन प्रारूप [project-number]-compute@developer.gserviceaccount.com के डिफ़ॉल्ट जीसीई वीएम सेवा खाते का उपयोग करता है। पाइपलाइन में BigQuery तक पहुंचने के लिए हमें इस खाते में BigQuery का उपयोग करने की अनुमति देनी होगी। हम खाते में 'बिगक्वेरी उपयोगकर्ता' की भूमिका जोड़ देंगे।

!gcloud projects add-iam-policy-binding {GOOGLE_CLOUD_PROJECT} \
  --member=serviceAccount:{GOOGLE_CLOUD_PROJECT_NUMBER}-compute@developer.gserviceaccount.com \
  --role=roles/bigquery.user
ERROR: (gcloud.projects.add-iam-policy-binding) argument PROJECT_ID: Must be specified.
Usage: gcloud projects add-iam-policy-binding PROJECT_ID --member=PRINCIPAL --role=ROLE [optional flags]
  optional flags may be  --condition | --condition-from-file | --help

For detailed information on this command and its flags, run:
  gcloud projects add-iam-policy-binding --help

सेवा खातों और IAM कॉन्फ़िगरेशन के बारे में अधिक जानने के लिए कृपया वर्टेक्स दस्तावेज़ देखें।

एक पाइपलाइन बनाएं

टीएफएक्स पाइपलाइनों को पायथन एपीआई का उपयोग करके परिभाषित किया गया है जैसा कि हमने वर्टेक्स पाइपलाइन ट्यूटोरियल के लिए सरल टीएफएक्स पाइपलाइन में किया था। हमने पहले CsvExampleGen का उपयोग किया था जो CSV फ़ाइल से डेटा पढ़ता है। इस ट्यूटोरियल में, हम BigQueryExampleGen कॉम्पोनेन्ट का उपयोग करेंगे जो BigQuery के डेटा को पढ़ता है।

BigQuery क्वेरी तैयार करें

हम उसी पामर पेंगुइन डेटासेट का उपयोग करेंगे। हालांकि, हम इसे BigQuery तालिका tfx-oss-public.palmer_penguins.palmer_penguins , जो एक ही CSV फ़ाइल का उपयोग करके भरी जाती है।

अगर आप Google Colab का इस्तेमाल कर रहे हैं, तो आप सीधे BigQuery टेबल की सामग्री की जांच कर सकते हैं.

# docs_infra: no_execute
%%bigquery --project {GOOGLE_CLOUD_PROJECT}
SELECT *
FROM `tfx-oss-public.palmer_penguins.palmer_penguins`
LIMIT 5

species को छोड़कर सभी सुविधाओं को पहले से ही 0 ~ 1 के लिए सामान्यीकृत किया गया था जो कि लेबल है। हम एक वर्गीकरण मॉडल तैयार करेंगे जो पेंगुइन की species की भविष्यवाणी करता है।

BigQueryExampleGen को यह निर्दिष्ट करने के लिए एक क्वेरी की आवश्यकता है कि कौन सा डेटा लाया जाए। क्योंकि हम तालिका में सभी पंक्तियों के सभी क्षेत्रों का उपयोग करेंगे, क्वेरी काफी सरल है। आप फ़ील्ड नाम भी निर्दिष्ट कर सकते हैं और BigQuery Standard SQL सिंटैक्स के अनुसार आवश्यकतानुसार WHERE शर्तें जोड़ सकते हैं।

QUERY = "SELECT * FROM `tfx-oss-public.palmer_penguins.palmer_penguins`"

मॉडल कोड लिखें।

हम उसी मॉडल कोड का उपयोग करेंगे जैसा कि साधारण TFX पाइपलाइन ट्यूटोरियल में किया जाता है।

_trainer_module_file = 'penguin_trainer.py'
%%writefile {_trainer_module_file}

# Copied from https://www.tensorflow.org/tfx/tutorials/tfx/penguin_simple

from typing import List
from absl import logging
import tensorflow as tf
from tensorflow import keras
from tensorflow_transform.tf_metadata import schema_utils

from tfx import v1 as tfx
from tfx_bsl.public import tfxio

from tensorflow_metadata.proto.v0 import schema_pb2

_FEATURE_KEYS = [
    'culmen_length_mm', 'culmen_depth_mm', 'flipper_length_mm', 'body_mass_g'
]
_LABEL_KEY = 'species'

_TRAIN_BATCH_SIZE = 20
_EVAL_BATCH_SIZE = 10

# Since we're not generating or creating a schema, we will instead create
# a feature spec.  Since there are a fairly small number of features this is
# manageable for this dataset.
_FEATURE_SPEC = {
    **{
        feature: tf.io.FixedLenFeature(shape=[1], dtype=tf.float32)
           for feature in _FEATURE_KEYS
       },
    _LABEL_KEY: tf.io.FixedLenFeature(shape=[1], dtype=tf.int64)
}


def _input_fn(file_pattern: List[str],
              data_accessor: tfx.components.DataAccessor,
              schema: schema_pb2.Schema,
              batch_size: int) -> tf.data.Dataset:
  """Generates features and label for training.

  Args:
    file_pattern: List of paths or patterns of input tfrecord files.
    data_accessor: DataAccessor for converting input to RecordBatch.
    schema: schema of the input data.
    batch_size: representing the number of consecutive elements of returned
      dataset to combine in a single batch

  Returns:
    A dataset that contains (features, indices) tuple where features is a
      dictionary of Tensors, and indices is a single Tensor of label indices.
  """
  return data_accessor.tf_dataset_factory(
      file_pattern,
      tfxio.TensorFlowDatasetOptions(
          batch_size=batch_size, label_key=_LABEL_KEY),
      schema=schema).repeat()


def _make_keras_model() -> tf.keras.Model:
  """Creates a DNN Keras model for classifying penguin data.

  Returns:
    A Keras Model.
  """
  # The model below is built with Functional API, please refer to
  # https://www.tensorflow.org/guide/keras/overview for all API options.
  inputs = [keras.layers.Input(shape=(1,), name=f) for f in _FEATURE_KEYS]
  d = keras.layers.concatenate(inputs)
  for _ in range(2):
    d = keras.layers.Dense(8, activation='relu')(d)
  outputs = keras.layers.Dense(3)(d)

  model = keras.Model(inputs=inputs, outputs=outputs)
  model.compile(
      optimizer=keras.optimizers.Adam(1e-2),
      loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
      metrics=[keras.metrics.SparseCategoricalAccuracy()])

  model.summary(print_fn=logging.info)
  return model


# TFX Trainer will call this function.
def run_fn(fn_args: tfx.components.FnArgs):
  """Train the model based on given args.

  Args:
    fn_args: Holds args used to train the model as name/value pairs.
  """

  # This schema is usually either an output of SchemaGen or a manually-curated
  # version provided by pipeline author. A schema can also derived from TFT
  # graph if a Transform component is used. In the case when either is missing,
  # `schema_from_feature_spec` could be used to generate schema from very simple
  # feature_spec, but the schema returned would be very primitive.
  schema = schema_utils.schema_from_feature_spec(_FEATURE_SPEC)

  train_dataset = _input_fn(
      fn_args.train_files,
      fn_args.data_accessor,
      schema,
      batch_size=_TRAIN_BATCH_SIZE)
  eval_dataset = _input_fn(
      fn_args.eval_files,
      fn_args.data_accessor,
      schema,
      batch_size=_EVAL_BATCH_SIZE)

  model = _make_keras_model()
  model.fit(
      train_dataset,
      steps_per_epoch=fn_args.train_steps,
      validation_data=eval_dataset,
      validation_steps=fn_args.eval_steps)

  # The result of the training should be saved in `fn_args.serving_model_dir`
  # directory.
  model.save(fn_args.serving_model_dir, save_format='tf')
Writing penguin_trainer.py

मॉड्यूल फ़ाइल को GCS में कॉपी करें जिसे पाइपलाइन घटकों से एक्सेस किया जा सकता है। चूंकि मॉडल प्रशिक्षण GCP पर होता है, इसलिए हमें इस मॉडल परिभाषा को अपलोड करने की आवश्यकता है।

अन्यथा, आप मॉड्यूल फ़ाइल सहित एक कंटेनर छवि बनाना चाहते हैं और पाइपलाइन चलाने के लिए छवि का उपयोग कर सकते हैं।

gsutil cp {_trainer_module_file} {MODULE_ROOT}/
InvalidUrlError: Cloud URL scheme should be followed by colon and two slashes: "://". Found: "gs:///pipeline_module/penguin-bigquery/".

एक पाइपलाइन परिभाषा लिखें

हम TFX पाइपलाइन बनाने के लिए एक फ़ंक्शन को परिभाषित करेंगे। हमें BigQueryExampleGen का उपयोग करने की आवश्यकता है जो query को एक तर्क के रूप में लेता है। पिछले ट्यूटोरियल से एक और बदलाव यह है कि हमें beam_pipeline_args को पास करने की आवश्यकता है जो कि घटकों को निष्पादित होने पर पास किया जाता है। BigQuery में अतिरिक्त पैरामीटर पास करने के लिए हम beam_pipeline_args का उपयोग करेंगे.

from typing import List, Optional

def _create_pipeline(pipeline_name: str, pipeline_root: str, query: str,
                     module_file: str, serving_model_dir: str,
                     beam_pipeline_args: Optional[List[str]],
                     ) -> tfx.dsl.Pipeline:
  """Creates a TFX pipeline using BigQuery."""

  # NEW: Query data in BigQuery as a data source.
  example_gen = tfx.extensions.google_cloud_big_query.BigQueryExampleGen(
      query=query)

  # Uses user-provided Python function that trains a model.
  trainer = tfx.components.Trainer(
      module_file=module_file,
      examples=example_gen.outputs['examples'],
      train_args=tfx.proto.TrainArgs(num_steps=100),
      eval_args=tfx.proto.EvalArgs(num_steps=5))

  # Pushes the model to a file destination.
  pusher = tfx.components.Pusher(
      model=trainer.outputs['model'],
      push_destination=tfx.proto.PushDestination(
          filesystem=tfx.proto.PushDestination.Filesystem(
              base_directory=serving_model_dir)))

  components = [
      example_gen,
      trainer,
      pusher,
  ]

  return tfx.dsl.Pipeline(
      pipeline_name=pipeline_name,
      pipeline_root=pipeline_root,
      components=components,
      # NEW: `beam_pipeline_args` is required to use BigQueryExampleGen.
      beam_pipeline_args=beam_pipeline_args)

पाइपलाइन को वर्टेक्स पाइपलाइनों पर चलाएँ।

हम पाइपलाइन चलाने के लिए वर्टेक्स पाइपलाइनों का उपयोग करेंगे जैसा कि हमने वर्टेक्स पाइपलाइन ट्यूटोरियल के लिए सरल टीएफएक्स पाइपलाइन में किया था।

हमें BigQueryExampleGen के लिए beam_pipeline_args भी पास करना होगा। इसमें GCP प्रोजेक्ट के नाम और BigQuery निष्पादन के लिए अस्थायी संग्रहण जैसे कॉन्फ़िगरेशन शामिल हैं।

import os

# We need to pass some GCP related configs to BigQuery. This is currently done
# using `beam_pipeline_args` parameter.
BIG_QUERY_WITH_DIRECT_RUNNER_BEAM_PIPELINE_ARGS = [
   '--project=' + GOOGLE_CLOUD_PROJECT,
   '--temp_location=' + os.path.join('gs://', GCS_BUCKET_NAME, 'tmp'),
   ]

PIPELINE_DEFINITION_FILE = PIPELINE_NAME + '_pipeline.json'

runner = tfx.orchestration.experimental.KubeflowV2DagRunner(
    config=tfx.orchestration.experimental.KubeflowV2DagRunnerConfig(),
    output_filename=PIPELINE_DEFINITION_FILE)
_ = runner.run(
    _create_pipeline(
        pipeline_name=PIPELINE_NAME,
        pipeline_root=PIPELINE_ROOT,
        query=QUERY,
        module_file=os.path.join(MODULE_ROOT, _trainer_module_file),
        serving_model_dir=SERVING_MODEL_DIR,
        beam_pipeline_args=BIG_QUERY_WITH_DIRECT_RUNNER_BEAM_PIPELINE_ARGS))

उत्पन्न परिभाषा फ़ाइल kfp क्लाइंट का उपयोग करके प्रस्तुत की जा सकती है।

# docs_infra: no_execute
from google.cloud import aiplatform
from google.cloud.aiplatform import pipeline_jobs

aiplatform.init(project=GOOGLE_CLOUD_PROJECT, location=GOOGLE_CLOUD_REGION)

job = pipeline_jobs.PipelineJob(template_path=PIPELINE_DEFINITION_FILE,
                                display_name=PIPELINE_NAME)
job.run(sync=False)

अब आप प्रगति देखने के लिए Google क्लाउड कंसोल में 'वर्टेक्स एआई> पाइपलाइन' पर जा सकते हैं।