Apache Spark 2.0前瞻：为机器学习模型注入持久性

简介

研究机器学习用例：

• 数据科学家建立了一个ML模型，并交给了一个工程团队在生产环境部署。
• 数据工程师将使用Python的模型训练工作流和Java模型服务工作流整合。
• 数据科学家专门设立岗位来训练后期需要被保存和评估的ML模型。

在所有的这些例子中，如果有了模型的持久性，那么保存和加载模型的问题将变得更容易解决。在即将到来的2.0版本中，通过基于DataFrame的API，Spark机器学习库MLlib将实现几乎完整的ML持久性支持。本文将提前透露有关代码示例，以及MLlib API持久性的一些细节。

ML持久性的关键特性包括：

• Spark支持所有语言的API：Scala、Java、Python和R
• 基于DataFram的API几乎支持所有的ML算法
• 支持单一模型和完整的Pipelines，不管是训练或者未训练的
• 使用可互换的格式来实现分布式存储

感谢所有为MLlib带来巨大发展的社区贡献者们!在JIRAs中可以看到为Scala，Java， Python和R做出贡献的完整人员名单。

了解API

在Apache Spark 2.0里，对于MLlib来说基于DataFrame的API在关于Spark的ML中占据了首要位置。该API模仿被人们所熟知的Spark Data Source API，提供保存和加载模型的功能。

下面将采用流行的MNIST数据集进行手写体数字识别，并在几种语言上演示保存和加载模型的功能（LeCun等著，1998；可从LIBSVM数据页面获取）。这个数据集包含了手写数字0-9，以及地面实况标签。这里有些例子：

我们的最终目的是为了拍摄新的手写数字图像并进行数字识别。在下面的笔记中就完整地演示了数据载入，以及模型训练、保存和加载的代码。

保存和加载单一模型

首先将展示如何保存和加载单一模型以促进语言共享，例子中首先会通过Python来训练一个Random Forest Classifier并保存下来，然后再利用Scala加载相同的模型。

training = sqlContext.read...  # data: features, label
rf = RandomForestClassifier(numTrees=20)
model = rf.fit(training)

为了简化，这里将保存模型称为save方法，把加载模型称为load方法：

model.save("myModelPath")
sameModel = RandomForestClassificationModel.load("myModelPath")

我们还可以将同样的模型（已保存在Python的）加载到一个Scala或者Java应用程序中：

// Load the model in Scala
val sameModel = RandomForestClassificationModel.load("myModelPath")

这个方法既可以用于小型的本地模型例如K-Means模型（为了集群），也可以用于大型的分布式模型例如ALS模型（为了推荐）。因为加载的模型具有相同的参数设置和数据，所以即使加载的是一个完全不同的Spark部署，它也会给出相同的预测。

保存和加载完整Pipelines

到目前为止只演示了单一ML模型的保存和加载，但在实际过程中，ML的工作流其实包含着许多阶段，从特征的提取和转换到模型的训练和调优都在其中。MLlib还提供了Pipelines来帮助用户更好地构建这些工作流。

同时，MLlib还允许用户保存和加载整个Pipelines。下面通过一个Pipeline案例看一下它是采用了哪些步骤实现的：

• 特征提取：使用Binarizer将图像转换成黑白色
• 模型训练：使用Random Forest Classifier拍摄图像和预测数字0–9
• 调优：使用交叉验证（Cross-Validation）来优化森林中树的深度

下面是建立Pipeline的一个片段：

// Construct the Pipeline: Binarizer + Random Forest
val pipeline = new Pipeline().setStages(Array(binarizer, rf))

// Wrap the Pipeline in CrossValidator to do model tuning.
val cv = new CrossValidator().setEstimator(pipeline) ...

在管道训练之前，我们会演示将整个工作流保存下来的过程(训练前)。而且这个工作流可以在另一个数据集上，或者是在另一个Spark集群上等地方加载运行。

cv.save("myCVPath")
val sameCV = CrossValidator.load("myCVPath")

最后，我们就可以进行Pipeline训练，再将其保存和加载。这不仅可以节省特征提取的步骤，还可以省去使用Cross-Validation调整Random Forest模型以及从模型调优中提取数据的过程。

val cvModel = cv.fit(training)
cvModel.save("myCVModelPath")
val sameCVModel = CrossValidatorModel.load("myCVModelPath")

了解细节

Python调优

很遗憾，Python调优将缺席Spark 2.0版本。就目前情况来看，Python还不支持保存和加载用于优化hyperparameters模型的CrossValidator和TrainValidationSplit；这个问题也正是Spark 2.1版本需要解决的。但是，它仍然有可能被用来保存Python中的CrossValidator和TrainValidationSplit结果。例如，使用Cross-Validation来调整Random Forest并将调整过程中发现的最好模型保存起来。

# Define the workflow
rf = RandomForestClassifier()
cv = CrossValidator(estimator=rf, ...)
# Fit the model, running Cross-Validation
cvModel = cv.fit(trainingData)
# Extract the results, i.e., the best Random Forest model
bestModel = cvModel.bestModel
# Save the RandomForest model
bestModel.save("rfModelPath")

可交换的存储格式

在内部，我们可以把模型的元数据和参数保存为JSON，把数据保存为Parquet。这些存储格式是可交换的，还可以使用其他库读取。Parquet不仅可以存储小的模型（例如Naive Bayes for classification），还可以存储大型的分布式模型（例如ALS for recommendation）。任何被Dataset/DataFrame支持的URI 都可以保存和加载存储路径，包括S3路径、本地存储等等。

语言的跨平台兼容性

利用Scala、Java和Python可以很容易地保存和加载模型，但是R却有两个局限性。一方面，R并不是支持所有的MLlib模型，其他语言所训练的模型也不是都可以被加载到R。另一方面，目前的R模型格式需要存储一些配合R使用的数据，这样给其他语言加载R所训练和存储的模型增加了困难。相信更好的跨语言支持R会在不久的将来被补足。

结论

随着2.0版本的即将发布，DataFrame-based MLlib API将几乎完全覆盖持久化的模型和Pipelines。对于团队间共享模型、多语言ML工作流创建以及将模型用于生产这些，持久性发挥着至关重要的作用。这个特性也将会推动MLlib API（DataFrame-based）最终转变为Apache Spark机器学习的重要API。

接下来呢?

未来的话，更高优先级的项目将会包括完整的持久性覆盖、Python模型优化算法以及R和其他语言API之间的兼容性改进。