خط أنابيب TFX بسيط لخطوط أنابيب Vertex

سيؤدي هذا البرنامج التعليمي المستند إلى الكمبيوتر المحمول إلى إنشاء خط أنابيب TFX بسيط وتشغيله باستخدام خطوط أنابيب Google Cloud Vertex. يعتمد هذا الكمبيوتر المحمول على خط أنابيب TFX الذي أنشأناه في Simple TFX Pipeline Tutorial . إذا لم تكن معتادًا على TFX ولم تقرأ هذا البرنامج التعليمي بعد ، فيجب عليك قراءته قبل المتابعة مع هذا الكمبيوتر الدفتري.

تساعدك Google Cloud Vertex Pipelines على أتمتة أنظمة ML الخاصة بك ومراقبتها وإدارتها من خلال تنظيم سير عمل ML الخاص بك بطريقة بدون خادم. يمكنك تحديد خطوط ML الخاصة بك باستخدام Python مع TFX ، ثم تنفيذ خطوط الأنابيب الخاصة بك على Google Cloud. راجع مقدمة Vertex Pipelines لمعرفة المزيد حول خطوط أنابيب Vertex.

تم تصميم هذا الكمبيوتر الدفتري ليتم تشغيله على Google Colab أو على أجهزة الكمبيوتر المحمولة بنظام AI . إذا كنت لا تستخدم أيًا من هؤلاء ، يمكنك ببساطة النقر فوق الزر "تشغيل في Google Colab" أعلاه.

يثبت

قبل تشغيل هذا الكمبيوتر الدفتري ، تأكد من اتباعك:

يُرجى الاطلاع على وثائق Vertex لتهيئة مشروع GCP بشكل أكبر.

ثبت حزم بايثون

سنقوم بتثبيت حزم Python المطلوبة بما في ذلك TFX و KFP لتأليف خطوط أنابيب ML وإرسال الوظائف إلى خطوط أنابيب Vertex.

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

هل أعدت تشغيل وقت التشغيل؟

إذا كنت تستخدم Google Colab ، في المرة الأولى التي تقوم فيها بتشغيل الخلية أعلاه ، يجب إعادة تشغيل وقت التشغيل بالنقر فوق الزر "RESTART RUNTIME" أعلاه أو باستخدام قائمة "Runtime> Restart runtime ...". هذا بسبب الطريقة التي يقوم بها كولاب بتحميل الحزم.

إذا لم تكن في Colab ، يمكنك إعادة تشغيل وقت التشغيل بالخلية التالية.

# 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)

تسجيل الدخول إلى Google لهذا دفتر الملاحظات

إذا كنت تقوم بتشغيل هذا الكمبيوتر الدفتري على Colab ، فقم بالمصادقة باستخدام حساب المستخدم الخاص بك:

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

إذا كنت تستخدم أجهزة الكمبيوتر المحمولة بنظام AI Platform ، فقم بالمصادقة باستخدام Google Cloud قبل تشغيل القسم التالي ، عن طريق التشغيل

gcloud auth login

في نافذة Terminal (والتي يمكنك فتحها عبر ملف > جديد في القائمة). ما عليك سوى القيام بذلك مرة واحدة لكل مثيل دفتر ملاحظات.

تحقق من إصدارات الحزمة.

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

قم بإعداد المتغيرات

سنقوم بإعداد بعض المتغيرات المستخدمة لتخصيص خطوط الأنابيب أدناه. المعلومات التالية مطلوبة:

  • معرّف مشروع GCP. انظر تحديد معرف المشروع الخاص بك .
  • منطقة "شركاء Google المعتمدون" لتشغيل خطوط الأنابيب. لمزيد من المعلومات حول المناطق التي تتوفر فيها خطوط أنابيب Vertex ، راجع دليل مواقع Vertex AI .
  • حزمة Google Cloud Storage لتخزين مخرجات خطوط الأنابيب.

أدخل القيم المطلوبة في الخلية أدناه قبل تشغيلها .

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

if not (GOOGLE_CLOUD_PROJECT 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.

اضبط gcloud لاستخدام مشروعك.

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-vertex-pipelines'

# 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 input 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-vertex-pipelines

تحضير البيانات النموذجية

سنستخدم نفس مجموعة بيانات Palmer Penguins كدليل تعليمي بسيط لخط أنابيب TFX .

توجد أربع سمات رقمية في مجموعة البيانات هذه والتي تم تسويتها بالفعل ليكون لها نطاق [0،1]. سنقوم ببناء نموذج تصنيف يتنبأ species طيور البطريق.

نحتاج إلى عمل نسختنا الخاصة من مجموعة البيانات. نظرًا لأن TFX ExampleGen تقرأ المدخلات من دليل ، نحتاج إلى إنشاء دليل ونسخ مجموعة البيانات إليه على GCS.

gsutil cp gs://download.tensorflow.org/data/palmer_penguins/penguins_processed.csv {DATA_ROOT}/
InvalidUrlError: Cloud URL scheme should be followed by colon and two slashes: "://". Found: "gs:///data/penguin-vertex-pipelines/".

ألق نظرة سريعة على ملف CSV.

gsutil cat {DATA_ROOT}/penguins_processed.csv | head
InvalidUrlError: Cloud URL scheme should be followed by colon and two slashes: "://". Found: "gs:///data/penguin-vertex-pipelines/penguins_processed.csv".

قم بإنشاء خط أنابيب

يتم تعريف خطوط أنابيب TFX باستخدام واجهات برمجة تطبيقات Python. سنحدد خط أنابيب يتكون من ثلاثة مكونات ، CsvExampleGen و Trainer و Pusher. تعريف خط الأنابيب والنموذج هو نفسه تقريبًا البرنامج التعليمي البسيط لخط أنابيب TFX .

الاختلاف الوحيد هو أننا لا نحتاج إلى تعيين metadata_connection_config الذي يستخدم لتحديد موقع قاعدة بيانات ML Metadata . نظرًا لأن Vertex Pipelines تستخدم خدمة بيانات وصفية مُدارة ، فلا يحتاج المستخدمون إلى الاهتمام بها ، ولا نحتاج إلى تحديد المعلمة.

قبل تحديد خط الأنابيب فعليًا ، نحتاج إلى كتابة رمز نموذجي لمكون المدرب أولاً.

اكتب كود النموذج.

سنستخدم نفس رمز النموذج كما في البرنامج التعليمي Simple TFX Pipeline .

_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

انسخ ملف الوحدة النمطية إلى GCS والذي يمكن الوصول إليه من مكونات خط الأنابيب. نظرًا لأن التدريب النموذجي يحدث على GCP ، نحتاج إلى تحميل تعريف النموذج هذا.

خلاف ذلك ، قد ترغب في إنشاء صورة حاوية بما في ذلك ملف الوحدة النمطية واستخدام الصورة لتشغيل خط الأنابيب.

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

اكتب تعريف خط الأنابيب

سنحدد وظيفة لإنشاء خط أنابيب TFX.

# Copied from https://www.tensorflow.org/tfx/tutorials/tfx/penguin_simple and
# slightly modified because we don't need `metadata_path` argument.

def _create_pipeline(pipeline_name: str, pipeline_root: str, data_root: str,
                     module_file: str, serving_model_dir: str,
                     ) -> tfx.dsl.Pipeline:
  """Creates a three component penguin pipeline with TFX."""
  # Brings data into the pipeline.
  example_gen = tfx.components.CsvExampleGen(input_base=data_root)

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

  # Following three components will be included in the pipeline.
  components = [
      example_gen,
      trainer,
      pusher,
  ]

  return tfx.dsl.Pipeline(
      pipeline_name=pipeline_name,
      pipeline_root=pipeline_root,
      components=components)

قم بتشغيل خط الأنابيب على خطوط أنابيب Vertex.

استخدمنا LocalDagRunner الذي يعمل على البيئة المحلية في Simple TFX Pipeline Tutorial . يوفر TFX عدة منسقين لتشغيل خط الأنابيب الخاص بك. سنستخدم في هذا البرنامج التعليمي خطوط أنابيب Vertex مع عداء Kubeflow V2 dag.

نحتاج إلى تحديد عداء لتشغيل خط الأنابيب بالفعل. ستقوم بتجميع خط الأنابيب الخاص بك في تنسيق تعريف خط الأنابيب الخاص بنا باستخدام واجهات برمجة تطبيقات TFX.

import os

PIPELINE_DEFINITION_FILE = PIPELINE_NAME + '_pipeline.json'

runner = tfx.orchestration.experimental.KubeflowV2DagRunner(
    config=tfx.orchestration.experimental.KubeflowV2DagRunnerConfig(),
    output_filename=PIPELINE_DEFINITION_FILE)
# Following function will write the pipeline definition to PIPELINE_DEFINITION_FILE.
_ = runner.run(
    _create_pipeline(
        pipeline_name=PIPELINE_NAME,
        pipeline_root=PIPELINE_ROOT,
        data_root=DATA_ROOT,
        module_file=os.path.join(MODULE_ROOT, _trainer_module_file),
        serving_model_dir=SERVING_MODEL_DIR))

يمكن تقديم ملف التعريف الذي تم إنشاؤه باستخدام عميل kfp.

# 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)

يمكنك الآن زيارة "Vertex AI> Pipelines" في Google Cloud Console لمعرفة التقدم.