我正在使用 Apache Spark 和 Scala 创建一个 ML 管道。我的管道中的一个变形金刚做了一个昂贵的 join
在这个过程的早期操作。由于我的 ParamGrid
中有很多功能这意味着节目要撑得住这个巨大的,加入DataFrame
在内存中优化网格中的每个特征。
为了尝试解决这个问题,我创建了一个自定义 Transformer
缓存这么大的中级 DataFrame
通过将其写入 S3 中的 Parquet 并返回从 Parquet 读取的数据帧。这运行良好并提高了模型的速度,直到我向 ParamGrid
添加了功能在缓存阶段之前上演。当我将 Parquet 写入 S3 时,我使用由以下条件确定的路径:
class Cacher(override val uid: String) extends Transformer {
// the cachePath variable determines the path within the S3 bucket
lazy val cachePath = Identifiable.randomUID(uid + "transformer-cache")
// ...
我想我误解了
uid
正在工作...我的信念是,每当 Spark 优化 ParamGrid
,它使用管道中那个点上演的任何类,创建它们的新实例,并为它们提供新的、独特的 uid
s 来跟踪它们。我怀疑缓存出了问题,因为 Spark 没有给出唯一的 uid
到新Transformer
它创建的实例意味着每当缓存的新实例Transformer
时,缓存的 Parquet 都会被不断覆盖。被 build 。任何人都可以就如何生成唯一的随机提供任何指示uid
s 对于管道创建的每个阶段实例?干杯!
最佳答案
一步步:
uid
Identifiable
要求trait( Transformer
延伸 PipelineStage
延伸 Params
延伸 Identifiable
)。 Identifiable
文档 uid
is :An immutable unique ID for the object and its derivatives.
Params
是可变的。设置参数返回this
并且不影响 uid
.import org.apache.spark.ml.feature.OneHotEncoder
val enc = new OneHotEncoder()
val enc_ = enc.setInputCol("foo")
enc == enc_
Boolean = true
enc.uid == enc_.uid
Boolean = true
copying
Params
创建一个新实例但保持不变 uid
(请参阅上一点引用的强调部分)。val encCopy = enc.copy(new org.apache.spark.ml.param.ParamMap())
encCopy == enc
Boolean = false
encCopy.uid == enc.uid
Boolean = true
copy
method避免 copying parent uid
但这似乎与制作 Params
背后的整个想法相冲突。 Identifiable
. 可能的解决方案:
uid
或使路径依赖于当前的参数集。 Dataset.persist
)。它不仅解决了手头的问题,还解决了退出时释放资源的隐藏问题。 关于scala - 了解 UID 在 Spark MLLib Transformer 中的作用,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40874941/