时间戳

首页 > 解决方案 > 如何从 TFX BulkInferrer 获取数据帧或数据库写入？

database - 如何从 TFX BulkInferrer 获取数据帧或数据库写入？

问题描述

我对 TFX 很陌生，但有一个显然可以通过BulkInferrer使用的 ML 管道。这似乎只以 Protobuf 格式产生输出，但由于我正在运行批量推理，我想将结果通过管道传输到数据库。（DB 输出似乎应该是批量推理的默认值，因为批量推理和 DB 访问都利用了并行化......但 Protobuf 是每记录的序列化格式。）

我假设我可以使用Parquet-Avro-Protobuf之类的东西来进行转换（尽管这是在 Java 中，而管道的其余部分在 Python 中），或者我可以自己编写一些东西来一个接一个地使用所有 protobuf 消息，转换将它们转换为 JSON，将 JSON 反序列化为字典列表，然后将字典加载到 Pandas DataFrame 中，或者将其存储为一堆键值对，我将其视为一次性数据库......但这听起来像对于一个非常常见的用例，涉及并行化和优化的大量工作和痛苦。顶级 Protobuf 消息定义是 Tensorflow 的PredictionLog。

这一定是一个常见的用例，因为像这样的 TensorFlowModelAnalytics 函数使用 Pandas DataFrames。我宁愿能够直接写入数据库（最好是 Google BigQuery）或 Parquet 文件（因为 Parquet / Spark 似乎比 Pandas 并行化更好），而且这些似乎应该是常见的用例，但我没有找到任何例子。也许我使用了错误的搜索词？

我还查看了PredictExtractor，因为“提取预测”听起来很接近我想要的......但官方文档似乎没有说明应该如何使用该类。我认为TFTransformOutput听起来像是一个很有前途的动词，但实际上它是一个名词。

我显然在这里遗漏了一些基本的东西。没有人愿意将 BulkInferrer 结果存储在数据库中吗？是否有允许我将结果写入数据库的配置选项？也许我想将ParquetIO或BigQueryIO实例添加到 TFX 管道？（TFX 文档说它在“幕后”使用 Beam，但这并没有说明我应该如何一起使用它们。）但是这些文档中的语法看起来与我的 TFX 代码完全不同，我不确定它们是否'重新兼容？

帮助？

标签： databasetensorflowoutputtfx

解决方案

（从相关问题复制以提高知名度）

经过一番挖掘，这是一种替代方法，它假设feature_spec事先不知道。请执行下列操作：

  • 将 设置BulkInferrer为写入，output_examples而不是inference_result将output_example_spec添加到组件构造中。
  • 在主管道中添加一个 StatisticsGen和一个SchemaGen组件，BulkInferrer以生成上述模式的架构output_examples
  • 使用来自SchemaGen和BulkInferrer读取 TFRecords 的工件并做任何必要的事情。
bulk_inferrer = BulkInferrer(
     ....
     output_example_spec=bulk_inferrer_pb2.OutputExampleSpec(
         output_columns_spec=[bulk_inferrer_pb2.OutputColumnsSpec(
             predict_output=bulk_inferrer_pb2.PredictOutput(
                 output_columns=[bulk_inferrer_pb2.PredictOutputCol(
                     output_key='original_label_name',
                     output_column='output_label_column_name', )]))]
     ))

 statistics = StatisticsGen(
     examples=bulk_inferrer.outputs.output_examples
 )

 schema = SchemaGen(
     statistics=statistics.outputs.output,
 )

之后，可以执行以下操作：

import tensorflow as tf
from tfx.utils import io_utils
from tensorflow_transform.tf_metadata import schema_utils

# read schema from SchemaGen
schema_path = '/path/to/schemagen/schema.pbtxt'
schema_proto = io_utils.SchemaReader().read(schema_path)
spec = schema_utils.schema_as_feature_spec(schema_proto).feature_spec

# read inferred results
data_files = ['/path/to/bulkinferrer/output_examples/examples/examples-00000-of-00001.gz']
dataset = tf.data.TFRecordDataset(data_files, compression_type='GZIP')

# parse dataset with spec
def parse(raw_record):
    return tf.io.parse_example(raw_record, spec)

dataset = dataset.map(parse)

此时，数据集就像任何其他已解析的数据集一样，因此编写 CSV 或 BigQuery 表或从那里写入任何内容都是微不足道的。它确实通过BatchInferencePipeline在ZenML中帮助了我们。

推荐阅读