手把手教你上手Apache DolphinScheduler机器学习工作流

摘要

Apache DolphinScheduler 3.1.0发版后，添加了诸多AI组件，帮助用户在Apache DolphinScheduler上更方便地构建机器学习工作流。本文介绍如何建立DolphinScheduler与一些机器学习的环境，并以实验案例介绍MLflow组件和DVC组件的使用。

01

 DolphinScheduler与机器学习环境 

01

实用项目

所有的代码可在 https://github.com/jieguangzhou/dolphinscheduler-ml-tutorial获取

git clone https://github.com/jieguangzhou/dolphinscheduler-ml-tutorial.git
git checkout dev

02

安装环境

Conda

略，按照官网安装即可，并将conda路径加入到环境变量执行安装相关包, 安装后mlflow, dvc 命令会安装到conda的bin目录下。

pip install mlflow==1.30.0 dvc

Java8环境

sudo apt-get update
sudo apt-get install openjdk-8-jdk
java -version

配置Java环境变量, ~/.bashrc 或者 ~/.zshrc

# 确认你的jdk的目录是否为这个，配置环境变量
export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-amd64
export PATH=$PATH:$JAVA_HOME/bin

Apache DolphinScheduler 3.1.0

下载DolphinScheduler 3.1.0

# 进入以下目录（可以在其他目录安装，为了方便复现，本文在以下目录安装）
cd first-example/install_dolphinscheduler
## install DolphinScheduler
wget https://dlcdn.apache.org/dolphinscheduler/3.1.0/apache-dolphinscheduler-3.1.0-bin.tar.gz
tar -zxvf apache-dolphinscheduler-3.1.0-bin.tar.gz
rm apache-dolphinscheduler-3.1.0-bin.tar.gz

配置DolphinScheduler中的Conda环境和Python环境

## 配置conda环境和默认python环境
cp common.properties apache-dolphinscheduler-3.1.0-bin/standalone-server/conf
echo "export PATH=$(which conda)/bin:\$PATH" >> apache-dolphinscheduler-3.1.0-bin/bin/env/dolphinscheduler_env.sh
echo "export PYTHON_HOME=$(dirname $(which conda))/python" >> apache-dolphinscheduler-3.1.0-bin/bin/env/dolphinscheduler_env.sh

• dolphinscheduler-mlflow配置

  在使用MLFLOW组件时会引用Github上的dolphinscheduler-mlflow项目，如网络无法畅通链接，可以按一下步骤替换仓库源

  首先执行 git clone https://github.com/apache/dolphinscheduler-mlflow.git

  然后修改common.properties中 ml.mlflow.preset_repository 字段值为下载后的绝对路径即可

启动DolphinScheduler

## start DolphinScheduler
cd apache-dolphinscheduler-3.1.0-bin
bash bin/dolphinscheduler-daemon.sh start standalone-server

## 可以通过以下命令查看日志
# tail -500f standalone-server/logs/dolphinscheduler-standalone.log

启动后，稍等一会服务启动即可进入DolphinScheduler的页面

打开 http://localhost:12345/dolphinscheduler/ui，可以看到DolphinScheduler页面

账号：admin，密码：dolphinscheduler123

MLflow

MLflow Tracking Server启动比较简单，可简单通过命令docker run --name mlflow -p 5000:5000 -d jalonzjg/mlflow:latest 启动即可打开 http://localhost:5000，可以看到MLflow模型和实验管理的页面

该镜像的Dockerfile可见 first-example/docker-mlflow/Dockerfile

02

 组件介绍 

本文主要用到以下5个类型的组件：

01

Shell组件

SHELL组件用于运行shell类型任务。

02

Python组件

PYTHON组件用于运行python类型任务。

03

Conditions组件

CONDITIONS是一个条件节点，根据上游任务运行状态，判断应该运行哪个下游任务。

04

MLFLOW组件

MLFLOW组件用于在DolphinScheduler上运行MLflow Project和基于 dolphinscheduler-mlflow库实现针对分类场景的预置算法和AutoML功能，部署MLflow tracking server上的模型。

05

DVC组件

DVC组件用于在DolphinScheduler上进行机器学习中的数据的版本管理，如将特定数据注册为特定版本，下载特定版本的数据。

以上五个组件中，

• SHELL组件和PYTHON组件为基础组件，可以运行广泛的任务；
• CONDITIONS为逻辑组件，可以动态控制工作流的运行逻辑；
• MLFLOW组件和DVC组件为机器学习类型组件，可以用于方便在工作流上方便使用机器学习场景特性能力。

03

  机器学习Workflow 

Workflow包含三个部分：

• 第一部分为前置的一些准备，比如数据下载，数据版本管理仓库建立等，为一次性准备工作；
• 第二部分为训练模型工作流：包含数据预处理，训练模型和模型评估；
• 第三部分为部署流程工作流：包含模型部署，接口测试。

01

前置准备工作流

创建一个目录用于存放过程中的所有的数据  mkdir /tmp/ds-ml-example

在项目一开始，我们需要下载实验数据和进行dvc仓库的初始化用于数据版本管理

以下所有命令皆在dolphinscheduler-ml-tutorial/first-example目录下运行

因为我们通过pydolphinscheduler 提交工作流，所以安装一下 pip install apache-dolphinscheduler==3.1.0

Workflow（download-data）:

下载实验数据

命令: pydolphinscheduler yaml -f pyds/download_data.yaml依次执行以下两个任务

1. install-dependencies: 安装下载脚本中需要的python依赖包
2. download-data: 下载数据集到 /tmp/ds-ml-example/raw

Workflow（dvc_init_local）:

初始化DVC数据版本管理仓库

命令: pydolphinscheduler yaml -f pyds/init_dvc_repo.yaml依次执行以下任务

1. create_git_repo: 本地创建一个空的git仓库
2. init_dvc: 将仓库转为dvc类型仓库，用于进行数据版本管理
3. condition: 判断init_dvc任务执行情况，若成功则执行report_success_message，否则执行report_error_message

02

训练模型工作流

在训练模型阶段，包含了数据预处理，模型训练，模型评估相关工作。

Workflow（download-data）:

数据预处理

命令:  pydolphinscheduler yaml -f pyds/prepare_data.yaml

依次执行以下任务

1. data_preprocessing: 进行数据预处理，这里为了演示，只做了简单的截断处理
2. upload_data: 上传数据到仓库中，并注册为特定版本好 v1

下图为git仓库中的信息

Workflow（train_model）:

训练模型

命令: pydolphinscheduler yaml -f pyds/train_model.yaml依次执行以下任务

1. clean_exists_data: 删除可能重复实验时产生的历史数据 /tmp/ds-ml-example/train_data
2. pull_data: 拉取v1版本的数据到 /tmp/ds-ml-example/train_data
3. train_automl: 使用MLFLOW组件的AutoML功能训练分类模型，并注册到MLflow Tracking Server中，若当前模型版本F1为最高，则注册为Production版本。
4. inference: 传入要批量推理的小部分数据，使用mlflow CLI 进行批量推理
5. evaluate: 获取inference推理的结果，对模型再次进行简单的评估，包括新数据的指标，预测的label分布等。

其中train_automl运行完成后可以在MLflow Tracking Server ( http://localhost:5000 ) 中看到对应的实验结果以及模型情况

其中evaluate任务运行完，可以查看对应的日志：

03

部署工作流

Workflow（deploy_model）:

部署模型

运行：pydolphinscheduler yaml -f pyds/deploy.yaml依次运行以下任务：

1. kill-server: 关闭之前的服务
2. deploy-model: 部署模型
3. test-server: 测试服务

该工作流定义如果手动启动，界面如下，即输入端口号和模型版本号即可。

04

整合工作流

在实际使用中，在工作流稳定迭代后，需要将整个流程串起来，比如说拿到新版本的数据，训练模型，如果模型效果更好，则部署模型。

如下，我们切换到production版本 git checkout first-example-production

两个版本差异：

1. 多了一个train_and_deploy.yaml 的工作流定义，用于串联各个工作流
2. 修改预处理脚本得到v2版本数据
3. 将每个子工作流的定义中，是否运行的flag改为false，由 train_and_deploy.yaml 统一运行.

运行：pydolphinscheduler yaml -f pyds/train_and_deploy.yaml

下图中每个任务皆为子工作流任务，对应上面介绍的的三个工作流。

如下，运行完成后，得到新版模型version2，并且已经注册为Production

04

  总结 

本文介绍了如何上手Apache DolphinScheduler构建机器学习工作流，希望能给大家带来一些收获：

1. 了解如果构建Apache DolphinScheduler, Conda, MLflow 服务环境；
2. 能够快速运行一个机器学习工作流。

转载自丨海豚调度

编辑丨王梦玉

*图片来源网络，侵权请联系

相

关

阅

读

投身开源，需要持之以恒的热爱与贡献 —— Apache Spark Committer 姜逸坤

开源码力圆桌文字稿

Jina AI 正式将 DocArray 捐赠给Linux基金会

开源社简介

开源社成立于 2014 年，是由志愿贡献于开源事业的个人成员，依 “贡献、共识、共治” 原则所组成，始终维持厂商中立、公益、非营利的特点，是最早以 “开源治理、国际接轨、社区发展、开源项目” 为使命的开源社区联合体。开源社积极与支持开源的社区、企业以及政府相关单位紧密合作，以 “立足中国、贡献全球” 为愿景，旨在共创健康可持续发展的开源生态，推动中国开源社区成为全球开源体系的积极参与及贡献者。

2017 年，开源社转型为完全由个人成员组成，参照 ASF 等国际顶级开源基金会的治理模式运作。近八年来，链接了数万名开源人，集聚了上千名社区成员及志愿者、海内外数百位讲师，合作了近百家赞助、媒体、社区伙伴。