TensorFlow2.0 + java/spark/scala 中调用

本是古典何须时尚 2022-10-06 11:54 282阅读 0赞

## 转载文章原链接： ##

> https://github.com/lyhue1991/eat\_tensorflow2\_in\_30\_days/blob/master/6-7%2C%E4%BD%BF%E7%94%A8spark-scala%E8%B0%83%E7%94%A8tensorflow%E6%A8%A1%E5%9E%8B.md

## 使用spark-scala调用tensorflow2.0训练好的模型 ##

如果使用pyspark的话会比较简单，只需要在每个executor上用Python加载模型分别预测就可以了。  
但工程上为了性能考虑，通常使用的是scala版本的spark。

本篇文章我们通过TensorFlow for Java 在spark中调用训练好的tensorflow模型。

利用spark的分布式计算能力，从而可以让训练好的tensorflow模型在成百上千的机器上分布式并行执行模型推断。

spark-scala调用tensorflow模型概述  
在spark(scala)中调用tensorflow模型进行预测需要完成以下几个步骤。  
（1）准备protobuf模型文件  
（2）创建spark(scala)项目，在项目中添加java版本的tensorflow对应的jar包依赖  
（3）在spark(scala)项目中driver端加载tensorflow模型调试成功  
（4）在spark(scala)项目中通过RDD在executor上加载tensorflow模型调试成功  
（5） 在spark(scala)项目中通过DataFrame在executor上加载tensorflow模型调试成功

## 一，准备protobuf模型文件 ##

我们使用tf.keras 训练一个简单的线性回归模型，并保存成protobuf文件。

import tensorflow as tf
    from tensorflow.keras import models,layers,optimizers
    
    ## 样本数量
    n = 800
    
    ## 生成测试用数据集
    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)  # @表示矩阵乘法,增加正态扰动
    
    ## 建立模型
    tf.keras.backend.clear_session()
    inputs = layers.Input(shape = (2,),name ="inputs") #设置输入名字为inputs
    outputs = layers.Dense(1, name = "outputs")(inputs) #设置输出名字为outputs
    linear = models.Model(inputs = inputs,outputs = outputs)
    linear.summary()
    
    ## 使用fit方法进行训练
    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)
    
    ## 将模型保存成pb格式文件
    export_path = "./data/linear_model/"
    version = "1"       #后续可以通过版本号进行模型版本迭代与管理
    linear.save(export_path+version, save_format="tf")

!ls { export_path+version}

# 查看模型文件相关信息
    !saved_model_cli show --dir { export_path+str(version)} --all
    模型文件信息中这些标红的部分都是后面有可能会用到的。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTQ2MjgxNDY_size_16_color_FFFFFF_t_70]

## 二，创建spark(scala)项目，在项目中添加java版本的tensorflow对应的jar包依赖 ##

如果使用maven管理项目，需要添加如下 jar包依赖

<dependency>
        <groupId>org.tensorflow</groupId>
        <artifactId>tensorflow</artifactId>
        <version>1.15.0</version>
    </dependency>

也可以从下面网址中直接下载 org.tensorflow.tensorflow的jar包  
以及其依赖的org.tensorflow.libtensorflow 和 org.tensorflowlibtensorflow\_jni的jar包 放到项目中。

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

## 三， 在spark(scala)项目中driver端加载tensorflow模型调试成功 ##

我们的示范代码在jupyter notebook中进行演示，需要安装toree以支持spark(scala)。

import scala.collection.mutable.WrappedArray
    import org.{ tensorflow=>tf}
    
    //注：load函数的第二个参数一般都是“serve”，可以从模型文件相关信息中找到
    
    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中还是类似tensorflow1.0中静态计算图的模式，需要建立Session, 指定feed的数据和fetch的结果, 然后 run.
    //注：如果有多个数据需要喂入，可以连续使用多个feed方法
    //注：输入必须是float类型
    
    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

输出如下：

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

## 四，在spark(scala)项目中通过RDD在executor上加载tensorflow模型调试成功 ##

下面我们通过广播机制将Driver端加载的TensorFlow模型传递到各个executor上，并在executor上分布式地调用模型进行推断。

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端加载模型
    val bundle = tf.SavedModelBundle 
       .load("/Users/liangyun/CodeFiles/master_tensorflow2_in_20_hours/data/linear_model/1","serve")
    
    //利用广播将模型发送到executor上
    val broads = sc.broadcast(bundle)
    
    //构造数据集
    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)))
    
    //通过mapPartitions调用模型进行批量推断
    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)
    
        //将预测结果拷贝到相同shape的Float类型的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

输出如下：

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

## 五， 在spark(scala)项目中通过DataFrame在executor上加载tensorflow模型调试成功 ##

除了可以在Spark的RDD数据上调用tensorflow模型进行分布式推断，  
我们也可以在DataFrame数据上调用tensorflow模型进行分布式推断。  
主要思路是将推断方法注册成为一个sparkSQL函数。

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)
            
            //构造预测函数，并将其注册成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)
            
            //构造DataFrame数据集，将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 
            
            //调用sparkSQL预测函数，增加一个新的列作为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|
    +----------+---------+

以上我们分别在spark 的RDD数据结构和DataFrame数据结构上实现了调用一个tf.keras实现的线性回归模型进行分布式模型推断。

在本例基础上稍作修改则可以用spark调用训练好的各种复杂的神经网络模型进行分布式模型推断。

但实际上tensorflow并不仅仅适合实现神经网络，其底层的计算图语言可以表达各种数值计算过程。

利用其丰富的低阶API，我们可以在tensorflow2.0上实现任意机器学习模型，

结合tf.Module提供的便捷的封装功能，我们可以将训练好的任意机器学习模型导出成模型文件并在spark上分布式调用执行。  
这无疑为我们的工程应用提供了巨大的想象空间。

**直接在java调用参考文章：https://www.jianshu.com/p/0eb29e7302e6**

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTQ2MjgxNDY_size_16_color_FFFFFF_t_70]: /images/20221005/834ca7207079480c903be13773ab8690.png