- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我正在使用两个不同的窗口运行 Spark Streaming(在窗口上使用 SKLearn 训练模型,在另一个窗口上基于该模型预测值)我想知道如何避免一个窗口(“慢”训练窗口)来训练模型,而不会“阻塞”“快速”预测窗口。
我的简化代码如下所示:
conf = SparkConf()
conf.setMaster("local[4]")
sc = SparkContext(conf=conf)
ssc = StreamingContext(sc, 1)
stream = ssc.socketTextStream("localhost", 7000)
import Custom_ModelContainer
### Window 1 ###
### predict data based on model computed in window 2 ###
def predict(time, rdd):
try:
# ... rdd conversion to df, feature extraction etc...
# regular python code
X = np.array(df.map(lambda lp: lp.features.toArray()).collect())
pred = Custom_ModelContainer.getmodel().predict(X)
# send prediction to GUI
except Exception, e: print e
predictionStream = stream.window(60,60)
predictionStream.foreachRDD(predict)
### Window 2 ###
### fit new model ###
def trainModel(time, rdd):
try:
# ... rdd conversion to df, feature extraction etc...
X = np.array(df.map(lambda lp: lp.features.toArray()).collect())
y = np.array(df.map(lambda lp: lp.label).collect())
# train test split etc...
model = SVR().fit(X_train, y_train)
Custom_ModelContainer.setModel(model)
except Exception, e: print e
modelTrainingStream = stream.window(600,600)
modelTrainingStream.foreachRDD(trainModel)
(注意:Custom_ModelContainer 是我写的一个类,用来保存和检索训练好的模型)
我的设置通常运行良好,除了每次在第二个窗口中训练新模型时(大约需要一分钟),第一个窗口在模型训练完成之前不会计算预测。实际上,我想这是有道理的,因为模型拟合和预测都是在主节点上计算的(在非分布式设置中 - 由于 SKLearn)。
所以我的问题如下:是否可以在单个工作节点(而不是主节点)上训练模型?如果是这样,我如何才能实现后者并真正解决我的问题?
如果没有,关于如何在不延迟窗口 1 中的计算的情况下进行此类设置的任何其他建议?
非常感谢任何帮助。
编辑:我想更一般的问题是:如何在两个不同的 worker 上并行运行两个不同的任务?
最佳答案
免责声明:这只是一组想法。这些都没有经过实践测试。
您可以尝试一些事情:
不要收集
来预测
。 scikit-learn
模型通常是可序列化的,因此可以在集群上轻松处理预测过程:
def predict(time, rdd):
...
model = Custom_ModelContainer.getmodel()
pred = (df.rdd.map(lambda lp: lp.features.toArray())
.mapPartitions(lambda iter: model.predict(np.array(list(iter)))))
...
它不仅应该并行预测,而且如果未将原始数据传递给 GUI,还应该减少必须收集的数据量。
尝试异步收集
和发送数据。 PySpark 不提供 collectAsync
方法,但您可以尝试使用 concurrent.futures
实现类似的功能:
from pyspark.rdd import RDD
from concurrent.futures import ThreadPoolExecutor
executor = ThreadPoolExecutor(max_workers=4)
def submit_to_gui(*args): ...
def submit_if_success(f):
if not f.exception():
executor.submit(submit_to_gui, f.result())
从 1 继续
def predict(time, rdd):
...
f = executor.submit(RDD.collect, pred)
f.add_done_callback(submit_if_success)
...
如果您真的想使用本地 scikit-learn
模型,请尝试使用上述 future 来收集
和拟合
。您也可以尝试只收集一次,尤其是在数据未缓存的情况下:
def collect_and_train(df):
y, X = zip(*((p.label, p.features.toArray()) for p in df.collect()))
...
return SVR().fit(X_train, y_train)
def set_if_success(f):
if not f.exception():
Custom_ModelContainer.setModel(f.result())
def trainModel(time, rdd):
...
f = excutor.submit(collect_and_train, df)
f.add_done_callback(set_if_success)
...
使用现有解决方案(例如 spark-sklearn
)将训练过程转移到集群中或自定义方法:
合并 (1)
并使用 mapPartitions
训练单个模型。mapPartitions
创建并验证每个分区的单独模型,收集模型并作为整体使用,例如通过平均或中值预测。抛弃 scikit-learn
并使用可以在分布式流式环境中训练和维护的模型(例如 StreamingLinearRegressionWithSGD
)。
您当前的方法使 Spark 过时了。如果您可以在本地训练模型,那么您很有可能可以在本地机器上更快地执行所有其他任务。否则,您的程序将在 collect
上失败。
关于python - 如何避免一个 Spark Streaming 窗口阻塞另一个窗口同时运行一些 native Python 代码,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35035046/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!