【tensorflow2.0】使用spark-scala調用tensorflow2.0訓練好的模型

本篇文章介紹在spark中調用訓練好的tensorflow模型進行預測的方法。

本文內容的學習需要一定的spark和scala基礎。

如果使用pyspark的話會比較簡單，只需要在每個excutor上用Python加載模型分別預測就可以了。

但工程上為了性能考慮，通常使用的是scala版本的spark。

本篇文章我們通過TensorFlow for Java 在spark中調用訓練好的tensorflow模型。

利用spark的分布式計算能力，從而可以讓訓練好的tensorflow模型在成百上千的機器上分布式並行執行模型推斷。

〇，spark-scala調用tensorflow模型概述

在spark(scala)中調用tensorflow模型進行預測需要完成以下幾個步驟。

（1）准備protobuf模型文件

（2）創建spark(scala)項目，在項目中添加java版本的tensorflow對應的jar包依賴

（3）在spark(scala)項目中driver端加載tensorflow模型調試成功

（4）在spark(scala)項目中通過RDD在excutor上加載tensorflow模型調試成功

（5） 在spark(scala)項目中通過DataFrame在excutor上加載tensorflow模型調試成功

一，准備protobuf模型文件

我們使用tf.keras 訓練一個簡單的線性回歸模型，並保存成protobuf文件。

import tensorflow as tf
from tensorflow.keras import models,layers,optimizers
 
## 樣本數量
n = 800
 
## 生成測試用數據集
X = tf.random.uniform([n,2],minval=-10,maxval=10) 
w0 = tf.constant([[2.0],[-1.0]])
b0 = tf.constant(3.0)
 
Y = X@w0 + b0 + tf.random.normal([n,1],mean = 0.0,stddev= 2.0)  # @表示矩陣乘法,增加正態擾動
 
## 建立模型
tf.keras.backend.clear_session()
inputs = layers.Input(shape = (2,),name ="inputs") #設置輸入名字為inputs
outputs = layers.Dense(1, name = "outputs")(inputs) #設置輸出名字為outputs
linear = models.Model(inputs = inputs,outputs = outputs)
linear.summary()
 
## 使用fit方法進行訓練
linear.compile(optimizer="rmsprop",loss="mse",metrics=["mae"])
linear.fit(X,Y,batch_size = 8,epochs = 100)  
 
tf.print("w = ",linear.layers[1].kernel)
tf.print("b = ",linear.layers[1].bias)
 
## 將模型保存成pb格式文件
export_path = "./data/linear_model/"
version = "1"       #后續可以通過版本號進行模型版本迭代與管理
linear.save(export_path+version, save_format="tf") 

!ls {export_path+version}
# 查看模型文件相關信息
!saved_model_cli show --dir {export_path+str(version)} --all

模型文件信息中這些標紅的部分都是后面有可能會用到的。

二，創建spark(scala)項目，在項目中添加java版本的tensorflow對應的jar包依賴 

如果使用maven管理項目，需要添加如下 jar包依賴

<!-- https://mvnrepository.com/artifact/org.tensorflow/tensorflow -->
<dependency>
    <groupId>org.tensorflow</groupId>
    <artifactId>tensorflow</artifactId>
    <version>1.15.0</version>
</dependency>

也可以從下面網址中直接下載 org.tensorflow.tensorflow的jar包

以及其依賴的org.tensorflow.libtensorflow 和 org.tensorflowlibtensorflow_jni的jar包 放到項目中。

https://mvnrepository.com/artifact/org.tensorflow/tensorflow/1.15.0

三， 在spark(scala)項目中driver端加載tensorflow模型調試成功

我們的示范代碼在jupyter notebook中進行演示，需要安裝toree以支持spark(scala)。

import scala.collection.mutable.WrappedArray
import org.{tensorflow=>tf}
 
//注：load函數的第二個參數一般都是“serve”，可以從模型文件相關信息中找到
 
val bundle = tf.SavedModelBundle 
   .load("/Users/liangyun/CodeFiles/eat_tensorflow2_in_30_days/data/linear_model/1","serve")
 
//注：在java版本的tensorflow中還是類似tensorflow1.0中靜態計算圖的模式，需要建立Session, 指定feed的數據和fetch的結果, 然后 run.
//注：如果有多個數據需要喂入，可以連續用用多個feed方法
//注：輸入必須是float類型
 
val sess = bundle.session()
val x = tf.Tensor.create(Array(Array(1.0f,2.0f),Array(2.0f,3.0f)))
val y =  sess.runner().feed("serving_default_inputs:0", x)
         .fetch("StatefulPartitionedCall:0").run().get(0)
 
val result = Array.ofDim[Float](y.shape()(0).toInt,y.shape()(1).toInt)
y.copyTo(result)
 
if(x != null) x.close()
if(y != null) y.close()
if(sess != null) sess.close()
if(bundle != null) bundle.close()  
 
result

輸出如下：

Array(Array(3.019596), Array(3.9878292))

四，在spark(scala)項目中通過RDD在excutor上加載tensorflow模型調試成功

下面我們通過廣播機制將Driver端加載的TensorFlow模型傳遞到各個excutor上，並在excutor上分布式地調用模型進行推斷。

import org.apache.spark.sql.SparkSession
import scala.collection.mutable.WrappedArray
import org.{tensorflow=>tf}
 
val spark = SparkSession
    .builder()
    .appName("TfRDD")
    .enableHiveSupport()
    .getOrCreate()
 
val sc = spark.sparkContext
 
//在Driver端加載模型
val bundle = tf.SavedModelBundle 
   .load("/Users/liangyun/CodeFiles/master_tensorflow2_in_20_hours/data/linear_model/1","serve")
 
//利用廣播將模型發送到excutor上
val broads = sc.broadcast(bundle)
 
//構造數據集
val rdd_data = sc.makeRDD(List(Array(1.0f,2.0f),Array(3.0f,5.0f),Array(6.0f,7.0f),Array(8.0f,3.0f)))
 
//通過mapPartitions調用模型進行批量推斷
val rdd_result = rdd_data.mapPartitions(iter => {
 
    val arr = iter.toArray
    val model = broads.value
    val sess = model.session()
    val x = tf.Tensor.create(arr)
    val y =  sess.runner().feed("serving_default_inputs:0", x)
             .fetch("StatefulPartitionedCall:0").run().get(0)
 
    //將預測結果拷貝到相同shape的Float類型的Array中
    val result = Array.ofDim[Float](y.shape()(0).toInt,y.shape()(1).toInt)
    y.copyTo(result)
    result.iterator
 
})
 
 
rdd_result.take(5)
bundle.close

輸出如下：

Array(Array(3.019596), Array(3.9264367), Array(7.8607616), Array(15.974984)

五， 在spark(scala)項目中通過DataFrame在excutor上加載tensorflow模型調試成功

除了可以在Spark的RDD數據上調用tensorflow模型進行分布式推斷，

我們也可以在DataFrame數據上調用tensorflow模型進行分布式推斷。

主要思路是將推斷方法注冊成為一個sparkSQL函數。

import org.apache.spark.sql.SparkSession
import scala.collection.mutable.WrappedArray
import org.{tensorflow=>tf}
 
object TfDataFrame extends Serializable{
 
 
    def main(args:Array[String]):Unit = {
 
        val spark = SparkSession
        .builder()
        .appName("TfDataFrame")
        .enableHiveSupport()
        .getOrCreate()
        val sc = spark.sparkContext
 
 
        import spark.implicits._
 
        val bundle = tf.SavedModelBundle 
           .load("/Users/liangyun/CodeFiles/master_tensorflow2_in_20_hours/data/linear_model/1","serve")
 
        val broads = sc.broadcast(bundle)
 
        //構造預測函數，並將其注冊成sparkSQL的udf
        val tfpredict = (features:WrappedArray[Float])  => {
            val bund = broads.value
            val sess = bund.session()
            val x = tf.Tensor.create(Array(features.toArray))
            val y =  sess.runner().feed("serving_default_inputs:0", x)
                     .fetch("StatefulPartitionedCall:0").run().get(0)
            val result = Array.ofDim[Float](y.shape()(0).toInt,y.shape()(1).toInt)
            y.copyTo(result)
            val y_pred = result(0)(0)
            y_pred
        }
        spark.udf.register("tfpredict",tfpredict)
 
        //構造DataFrame數據集，將features放到一列中
        val dfdata = sc.parallelize(List(Array(1.0f,2.0f),Array(3.0f,5.0f),Array(7.0f,8.0f))).toDF("features")
        dfdata.show 
 
        //調用sparkSQL預測函數，增加一個新的列作為y_preds
        val dfresult = dfdata.selectExpr("features","tfpredict(features) as y_preds")
        dfresult.show 
        bundle.close
    }
}

TfDataFrame.main(Array())

+----------+
|  features|
+----------+
|[1.0, 2.0]|
|[3.0, 5.0]|
|[7.0, 8.0]|
+----------+
 
+----------+---------+
|  features|  y_preds|
+----------+---------+
|[1.0, 2.0]| 3.019596|
|[3.0, 5.0]|3.9264367|
|[7.0, 8.0]| 8.828995|
+----------+---------+

以上我們分別在spark 的RDD數據結構和DataFrame數據結構上實現了調用一個tf.keras實現的線性回歸模型進行分布式模型推斷。

在本例基礎上稍作修改則可以用spark調用訓練好的各種復雜的神經網絡模型進行分布式模型推斷。

但實際上tensorflow並不僅僅適合實現神經網絡，其底層的計算圖語言可以表達各種數值計算過程。

利用其豐富的低階API，我們可以在tensorflow2.0上實現任意機器學習模型，

結合tf.Module提供的便捷的封裝功能，我們可以將訓練好的任意機器學習模型導出成模型文件並在spark上分布式調用執行。

這無疑為我們的工程應用提供了巨大的想象空間。

 

參考：

開源電子書地址：https://lyhue1991.github.io/eat_tensorflow2_in_30_days/

GitHub 項目地址：https://github.com/lyhue1991/eat_tensorflow2_in_30_days