Apache Spark's UDFs ஐ படத்தின் அம்சம் பிரித்தெடுத்தல் மூலம் SparkContext பிரச்சனைகளை சரிசெய்தல்

அப்பாச்சி ஸ்பார்க்கின் யுடிஎஃப்களில் ஸ்பார்க் சூழல் பிழைகளுக்குப் பின்னால் உள்ள மர்மத்தைக் கண்டறிதல்

உடன் பணிபுரிகிறது அப்பாச்சி ஸ்பார்க் மற்றும் பைஸ்பார்க் பெரும்பாலும் பெரிய அளவிலான தரவுப் பணிகளைக் கையாள விநியோகிக்கப்பட்ட கணினியைப் பயன்படுத்துகிறது. ஆனால் சில நேரங்களில், விஷயங்கள் திட்டமிட்டபடி நடக்காது. பல தரவு விஞ்ஞானிகள் சந்திக்கும் ஒரு பொதுவான ஆபத்து, குறிப்பாக அழைக்கும் போது பயனர் வரையறுக்கப்பட்ட செயல்பாடுகள் (UDFs), பிரபலமற்ற "SparkContextஐ இயக்கியில் மட்டுமே பயன்படுத்த முடியும்" பிழை.

இமேஜ் ப்ராசசிங் போன்ற சிக்கலான செயல்பாடுகளைச் செய்யும்போது இந்தப் பிழை குறிப்பாக வெறுப்பாக இருக்கும், அங்கு பல வேலையாட்களுக்கு இடையே பணிகள் பிரிக்கப்படுகின்றன. பட அம்சம் பிரித்தெடுத்தல் போன்ற சூழ்நிலைகளில், SparkContext ஏன் இவ்வாறு செயல்படுகிறது என்பதைப் புரிந்துகொள்வது மிகவும் முக்கியமானது. 💻

இந்த கட்டுரையில், PyTorch இல் உள்ள ResNet மாதிரியை உள்ளடக்கிய ஒரு உதாரணத்தின் மூலம் நான் உங்களை அழைத்துச் செல்கிறேன். UDF க்குள் செயல்பாடுகளை வரிசைப்படுத்த முயற்சிக்கும்போது SparkContext ஏன் சிக்கல்களை உருவாக்குகிறது, இது இயக்க நேரப் பிழைக்கு வழிவகுக்கும் என்பதை ஆராய்வோம். இதன் மூலம், ஸ்பார்க்குடன் சுமூகமான தரவு செயலாக்கத்தை இயக்க பிழையைச் சரிசெய்வதற்கான உத்திகளையும் பகிர்ந்து கொள்கிறேன்.

ஸ்பார்க்கில் ML பைப்லைனைக் கட்டும் போது இந்தச் சிக்கலை நீங்கள் சந்தித்திருந்தால், நீங்கள் தனியாக இல்லை! இந்தப் பிழையைத் தவிர்ப்பதற்கும், விநியோகிக்கப்பட்ட சூழல்களில் ஸ்பார்க் யுடிஎஃப்களின் சீரான செயல்பாட்டை உறுதி செய்வதற்கும் நடைமுறை தீர்வுகளைப் பார்க்கும்போது என்னுடன் இருங்கள். 🚀

ஆழமான கற்றல் மாதிரிகள் மூலம் ஸ்பார்க் UDF வரிசைப்படுத்தல் பிழையறிந்து

உடன் பணிபுரியும் போது அப்பாச்சி ஸ்பார்க், விநியோகிக்கப்பட்ட செயலாக்கம் பெரும்பாலும் செயல்பாடுகளை விரைவுபடுத்த பயன்படுகிறது, குறிப்பாக பெரிய அளவிலான பட செயலாக்கம் போன்ற பணிகளில். இருப்பினும், ஸ்பார்க் சில கட்டுப்பாடுகளை விதிக்கிறது, குறிப்பாக அதன் மீது SparkContext. மேலே உள்ள ஸ்கிரிப்ட்களில், DataFrame இல் உள்ள ஒவ்வொரு வரிசையிலும் உள்ள படங்களிலிருந்து அம்சங்களைப் பிரித்தெடுக்க, UDF-க்குள் ResNet ஆழ்ந்த கற்றல் மாதிரி பயன்படுத்தப்படுகிறது. இந்த அணுகுமுறை ஒரு SparkContext வரம்பைத் தாக்குகிறது: SparkContextஐ இயக்கி முனையில் மட்டுமே பயன்படுத்த முடியும் மற்றும் பணியாளர் முனைகளில் இயங்கும் குறியீட்டிற்குள் பயன்படுத்த முடியாது, அதனால்தான் குறியீடு பிழையை ஏற்படுத்துகிறது. ஸ்பார்க் அமர்வு, படத்தை முன் செயலாக்கம் மற்றும் அம்சம் பிரித்தெடுத்தல் ஆகியவற்றைக் கையாள இமேஜ்வெக்டரைசர் வகுப்பை உருவாக்குவது ஆரம்ப தீர்வாகும். இந்தப் பணிகளை ஒரு வகுப்பில் மையப்படுத்துவதன் மூலம், குறியீட்டை மட்டுமானதாகவும் மாற்றியமைக்கக்கூடியதாகவும் வைத்திருக்க முடியும். 💻

முதல் ஸ்கிரிப்ட்டில், ImageVectorizer வகுப்பு ஒரு ஸ்பார்க் அமர்வை துவக்குகிறது மற்றும் பிரபலமான ஆழமான கற்றல் நூலகமான PyTorch இலிருந்து முன் பயிற்சி பெற்ற ரெஸ்நெட் மாதிரியை ஏற்றுகிறது. மறுஅளவிடுதல் மற்றும் இயல்பாக்குதல் உள்ளிட்ட மாற்றங்களின் தொகுப்பைப் பயன்படுத்துவதன் மூலம், ஒவ்வொரு படத்தையும் மாதிரிக்கு இணக்கமான வடிவத்திற்கு மாற்றலாம். எக்ஸ்ட்ராக்ட்_ஃபீச்சர்ஸ் முறையானது ஒவ்வொரு படமும் எவ்வாறு செயலாக்கப்படுகிறது என்பதை வரையறுக்கிறது: முதலில், படம் படிக்கப்பட்டு, முன் செயலாக்கப்பட்டு, பின்னர் உயர்நிலை அம்ச வெக்டார்களைப் பிரித்தெடுக்க ரெஸ்நெட் மாதிரி வழியாக அனுப்பப்படுகிறது. இருப்பினும், இந்த அணுகுமுறை SparkContext வரிசைப்படுத்தல் சிக்கலைத் தாக்குகிறது, ஏனெனில் UDF நேரடியாக தொழிலாளர் பணிகளுக்குள் ஸ்பார்க் கூறுகளை அணுக முயற்சிக்கிறது. விநியோகிக்கப்பட்ட முனைகளில் இயங்குவதற்கு ரெஸ்நெட் மாதிரியை பைஸ்பார்க்கால் வரிசைப்படுத்த முடியாது என்பதால், அது இயக்க நேர சிக்கலை உருவாக்குகிறது.

இதைத் தீர்க்க, இரண்டாவது அணுகுமுறை ஸ்பார்க்ஸைப் பயன்படுத்துகிறது ஒளிபரப்பு மாறிகள், ஒவ்வொரு தொழிலாளிக்கும் ஒரு முறை மட்டுமே தரவு அல்லது பொருள்களை விநியோகிக்கும். ரெஸ்நெட் மாதிரியை ஒளிபரப்புவது மாதிரியை ஒவ்வொரு பணியாளரின் முனையிலும் சேமிக்க அனுமதிக்கிறது மற்றும் ஒவ்வொரு UDF அழைப்பிலும் மீண்டும் தொடங்குவதைத் தடுக்கிறது. பட அம்சம் பிரித்தெடுக்கும் போது ஒளிபரப்பு மாதிரி குறிப்பிடப்படுகிறது, இது அமைப்பை மிகவும் திறமையாகவும் அளவிடக்கூடியதாகவும் ஆக்குகிறது. இந்த முறை வள பயன்பாட்டைக் கணிசமாகக் குறைக்கிறது மற்றும் SparkContext பிழையைத் தவிர்க்கிறது, ஸ்பார்க் தேவையான கூறுகளை இயக்கியில் மட்டுமே அணுகுகிறது, தொழிலாளர்கள் மீது அல்ல. பெரிய தரவுத்தொகுப்புகளை இணையாக செயலாக்கும் போது ஒளிபரப்பு மாறிகள் மிகவும் பயனுள்ளதாக இருக்கும், விநியோகிக்கப்பட்ட பட அம்சத்தைப் பிரித்தெடுப்பதற்கு இரண்டாவது ஸ்கிரிப்ட் சிறந்தது.

ஒளிபரப்பு மாதிரியைப் பயன்படுத்த UDF செயல்பாட்டைச் சரிசெய்த பிறகு, DataFrame இன் ஒவ்வொரு வரிசையிலும் மாற்றங்களைப் பயன்படுத்தும் UDF ஐ வரையறுக்கிறோம். பல்வேறு சூழல்களில் ஸ்கிரிப்ட்கள் செயல்படுகின்றனவா என்பதைச் சரிபார்க்க, யூனிட் சோதனைக்கு மூன்றாவது ஸ்கிரிப்ட் வழங்கப்படுகிறது பைடெஸ்ட். இந்த ஸ்கிரிப்ட் பைனரி படத் தரவைக் கையாளுதல், உருமாற்ற பைப்லைனை இயக்குதல் மற்றும் சரியான அளவிலான அம்ச வெக்டரை வெளியிடுதல் போன்ற செயல்பாட்டின் திறனைச் சோதிக்கிறது. வரிசைப்படுத்துவதற்கு முன் ஒவ்வொரு கூறுகளின் செயல்பாட்டைச் சரிபார்ப்பதன் மூலம் சோதனையானது நம்பகத்தன்மையின் மற்றொரு அடுக்கைச் சேர்க்கிறது. 📊 யூனிட் சோதனைகள் விநியோகிக்கப்பட்ட சூழல்களில் குறிப்பாக மதிப்புமிக்கவை, ஏனெனில் குறியீடு மாற்றங்கள் கணுக்கள் முழுவதும் திட்டமிடப்படாத சிக்கல்களை அறிமுகப்படுத்தாது.

நிஜ-உலகப் பயன்பாடுகளில், இந்த அணுகுமுறைகள் ஸ்பார்க்கின் சிக்கலான படத் தரவை இணையாகக் கையாளும் திறனை மேம்படுத்துகின்றன, இது இயந்திர கற்றல் மற்றும் AI திட்டங்களில் பரந்த பட தரவுத்தொகுப்புகளுடன் வேலை செய்வதை சாத்தியமாக்குகிறது. இந்த பணிப்பாய்வுகளை மேம்படுத்துவதில் ஒளிபரப்பு மாதிரிகள், UDFகள் மற்றும் சோதனை கட்டமைப்புகள் முக்கிய பங்கு வகிக்கின்றன. இந்தத் தீர்வுகள் பெரிய அளவிலான தரவு செயலாக்கத்திற்கு நெகிழ்வுத்தன்மை, அளவிடுதல் மற்றும் நம்பகத்தன்மை ஆகியவற்றைக் கொண்டு வருகின்றன - விநியோகிக்கப்பட்ட இயந்திர கற்றல் பைப்லைன்களில் நிலையான, உயர்தர முடிவுகளை அடைவதற்கு முக்கியமானது.

# Import required libraries
from pyspark.sql import SparkSession, DataFrame
from pyspark.sql.functions import udf
from pyspark.sql.types import ArrayType, FloatType
from torchvision import models, transforms
from PIL import Image
import torch
import numpy as np
from io import BytesIO
# Define the class to initialize Spark session and ResNet model
class ImageVectorizer:
    def __init__(self):
        # Initialize SparkSession
        self.spark = SparkSession.builder.getOrCreate()
        # Load pre-trained ResNet model
        self.resnet_model = models.resnet50(pretrained=True)
        self.resnet_model.eval()
        # Define image transformation pipeline
        self.transform = transforms.Compose([
            transforms.Resize(256),
            transforms.CenterCrop(224),
            transforms.ToTensor(),
            transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                 std=[0.229, 0.224, 0.225])
        ])
    def extract_features(self, image_binary):
        # Convert image binary to tensor and extract features
        image = Image.open(BytesIO(image_binary))
        image = self.transform(image).unsqueeze(0)
        with torch.no_grad():
            features = self.resnet_model(image)
        return features.squeeze().numpy().tolist()
    def process_images(self, image_df):
        # Register a non-Spark UDF to call extract_features function
        extract_features_udf = udf(lambda x: self.extract_features(x), ArrayType(FloatType()))
        return image_df.withColumn("features", extract_features_udf(image_df["content"]))

# Import required libraries
from pyspark.sql import SparkSession
from pyspark.sql.functions import udf
from pyspark.sql.types import ArrayType, FloatType
from torchvision import models, transforms
from PIL import Image
import torch
import numpy as np
from io import BytesIO
# Initialize Spark session and broadcast model
spark = SparkSession.builder.getOrCreate()
resnet_model = models.resnet50(pretrained=True)
resnet_model.eval()
bc_resnet_model = spark.sparkContext.broadcast(resnet_model)
# Define transformation pipeline separately
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                     std=[0.229, 0.224, 0.225])
])
# Define feature extraction function using broadcast model
def extract_features(image_binary):
    image = Image.open(BytesIO(image_binary))
    image = transform(image).unsqueeze(0)
    with torch.no_grad():
        features = bc_resnet_model.value(image)
    return features.squeeze().numpy().tolist()
# Register UDF
extract_features_udf = udf(extract_features, ArrayType(FloatType()))

# Import pytest for unit testing
import pytest
import numpy as np
@pytest.fixture
def mock_image_binary():
    # Provide a sample image in binary format
    with open('test_image.jpg', 'rb') as f:
        return f.read()
def test_extract_features(mock_image_binary):
    # Initialize ImageVectorizer and call extract_features function
    vectorizer = ImageVectorizer()
    result = vectorizer.extract_features(mock_image_binary)
    assert isinstance(result, list)
    assert len(result) == 2048

பட செயலாக்கத்திற்கான ஸ்பார்க் UDFகள் மூலம் சீரியலைசேஷன் சவால்களை சமாளித்தல்

பயன்படுத்துவதில் குறிப்பிடத்தக்க சவால்களில் ஒன்று அப்பாச்சி ஸ்பார்க் போன்ற மேம்பட்ட பணிகளுக்கு பட செயலாக்கம் பயனர் வரையறுக்கப்பட்ட செயல்பாடுகளுடன் (UDF கள்) பணிபுரியும் போது சீரான வரிசைப்படுத்தலை உறுதி செய்கிறது. ஸ்பார்க் இயல்பாகவே விநியோகிக்கப்படுவதால், ஸ்பார்க் யுடிஎஃப்களில் உள்ள பணிகள் செயலாக்கத்திற்காக பணியாளர் முனைகளுக்கு அனுப்பப்படுகின்றன, இது சிக்கலான இயந்திர கற்றல் மாதிரிகள் போன்ற வரிசைப்படுத்த முடியாத பொருள்கள் சம்பந்தப்பட்டிருந்தால் சிக்கல்களை எழுப்பலாம். உதாரணமாக, PyTorch இலிருந்து ResNet மாதிரியானது, பூர்வீகமாக வரிசைப்படுத்தக்கூடியது அல்ல, அதாவது "SparkContextஐ இயக்கியில் மட்டுமே பயன்படுத்த முடியும்" என்ற பிழையைத் தவிர்க்க Spark க்குள் கவனமாகக் கையாள வேண்டும்.

SparkContext உட்பட UDF இல் குறிப்பிடப்பட்டுள்ள அனைத்து கூறுகளையும் நேரடியாக தொழிலாளர் முனைகளுக்கு விநியோகிக்க ஸ்பார்க் முயற்சிப்பதால் வரிசைப்படுத்தல் ஒரு தடையாகிறது. ஒவ்வொரு முறையும் ரெஸ்நெட் மாடலை மறுதொடக்கம் செய்யாமல் முனைகளில் திறம்படப் பகிர, ஒளிபரப்பு மாறியைப் பயன்படுத்துவதே இந்த வரம்பு. இதுபோன்ற சந்தர்ப்பங்களில், தி broadcast() ஒவ்வொரு தொழிலாளிக்கும் படிக்க-மட்டும் தரவை விநியோகிக்க முறை உதவுகிறது, அங்கு ஸ்பார்க்கின் வரிசைப்படுத்தல் கட்டுப்பாடுகளைத் தூண்டாமல் உள்நாட்டில் குறிப்பிடலாம். மாதிரியை ஒளிபரப்புவதன் மூலம், ரெஸ்நெட் எடைகள், தரவை நகலெடுக்காமல், அனைத்து முனைகளிலும் அம்சத்தைப் பிரித்தெடுக்க அணுகலாம், நினைவக பயன்பாடு மற்றும் செயல்திறன் இரண்டையும் மேம்படுத்துகிறது. 🌍

பட செயலாக்கத்திற்கு அப்பால் விநியோகிக்கப்பட்ட ML பைப்லைன்களுக்கு இந்த நுட்பம் பரவலாகப் பொருந்தும். உதாரணமாக, நீங்கள் ஒரு பரிந்துரை முறையை செயல்படுத்தினால், ஸ்பார்க் வரிசைப்படுத்தல் பிழைகளைத் தவிர்க்க பயனர் விருப்பங்களின் பெரிய தரவுத்தொகுப்புகள் அல்லது முன் பயிற்சி பெற்ற மாதிரிகளை நீங்கள் ஒளிபரப்பலாம். இதேபோல், மற்ற முன்-செயலாக்கப் பணிகளுக்கு (உரை வெக்டரைசேஷன் அல்லது ஆடியோ செயலாக்கம் போன்றவை) UDF களைப் பயன்படுத்துவது, வரிசைப்படுத்த முடியாத பொருள்களை ஒளிபரப்புவதிலிருந்தும் பலனளிக்கிறது, இது தரவு நகல் மேல்நிலைகள் இல்லாமல் அதிக இணையான பணிகளைக் கையாள ஸ்பார்க்கை அனுமதிக்கிறது. இந்த நடைமுறைகள், கட்டமைக்கப்பட்ட மற்றும் கட்டமைக்கப்படாத தரவுப் பணிகளில் பெரிய தரவுத்தொகுப்புகளுக்குத் தேவையான அளவிடுதலை வழங்கும், அதிநவீன ML பணிப்பாய்வுகளைக் கையாளும் அளவுக்கு ஸ்பார்க்கை வலிமையாக்குகிறது. 🚀