背景本文示范如何使用 OpenMLDB 和 Byzer-lang 联合完成一个完整的机器学习应用。Byzer-lang 作为面向大数据和 AI 的一门语言，通过 Byzer-Notebook 和用户进行交互，用户可以轻松完成数据的抽取、ETL、特征/模型训练、保存、部署到最后预测等整个端到端的机器学习流程。OpenMLDB 在本例中接收 Byzer 发送的指令和数据，完成数据的实时特征计算，并经特征工程处理后的数据集返回 Byzer，供其进行后续的机器学习训练和预测。准备心理准备：因为操作系统环境的千差万别，安装部署常常是最繁琐的和消耗时间的部分。请大家耐心准备，在遇到问题时及时寻求两个社区的帮助。用户需要找一台 Linux 机器（虚拟机也行），然后部署如下几个应用（都很简单，基本都是下载、解压、运行即可）：Byzer-lang: Byzer-lang 部署Byzer-Notebook：Byzer-Notebook 部署OpenMLDB 0.5.2：OpenMLDB 部署,注意是集群版的部署模式，并且 zk 路径要配置成 /openmldb值得注意的是，如果没有使用对象存储这种共享存储，那么 Byzer-lang, OpenMLDB 需要部署在一台服务器，这样才能互相访问双方产出的文件。部署时需要注意的几个小问题：部署好 JDK8请确保一些基础的命令，诸如有 curl、ipconfig 等命令。一般部署脚本里会用到，如果没有，按报错提示安装即可。最好使用 bash 执行脚本而不是默认的 sh对于最后确认是不是安装完成，可以按如下方式进行检查。首先是检查 OpenMLDB, 用户可以在 OpenMLDB 安装目录里执行如下指令：./bin/openmldb --zk_cluster=192.168.3.14:7181 --zk_root_path=/openmldb --role=sql_client顺利连接上后说明是可行的，此时需要初始化一个数据库和表：> CREATE DATABASE demo_db;> USE demo_db;> CREATE TABLE t1(id string, vendor_id int, pickup_datetime timestamp, dropoff_datetime timestamp, passenger_count int, pickup_longitude double, pickup_latitude double, dropoff_longitude double, dropoff_latitude double, store_and_fwd_flag string, trip_duration int);执行完成后大概这个样子：
其次是检查 Byzer ，可以访问服务器的 9002 端口，如果你顺利进入 Byzer-Notebook 显示如下界面，则证明是可行的：
数据准备首先，从 New York City Taxi Trip Duration 下载出租车的数据，解压得到如下数据集：
接着进入 Byzer-Notebook 首页，通过 上传 功能上传这个文件：
上传后你应该可以在 Byzer-Notebook 的文件系统里看到这个文件：
这样，我们数据就准备好了。接下来，我们会分成三个步骤进行：特征/模型训练特征部署和模型部署端到端的预测能力这三个步骤对应成三个 Notebook：
安装 Byzer-openmldb-3.0 插件Byzer 和 OpenMLDB 通讯需要一个 Byzer 插件，可以在 Byzer-notebook 里直接执行一条指令来安装：!plugin app add - "byzer-openmldb-3.0";注：如果是 sandbox 模式部署的 Byzer, 目前这个方式是无效的。网速被限定 100k 以内，因为这个插件比较大，所以下载时间较长，需要大家耐心等待。另外，在 Log Message 标签页会显示 下载进度信息。
特征/模型训练部分第一步，加载我们训练的 csv 文件看看：load csv.`/tmp/upload/train.csv` where header="true" and inferSchema="true"as taxi_csv_data;执行后输出结果如下：
为了方便，我们把这个数据保存到数据湖里,然后再次从数据湖里加载成一张表叫 taxi_tour_table_train_simplesave overwrite taxi_csv_data as delta.public.taxi_tour_table_train_simple ;load delta.public.taxi_tour_table_train_simple as taxi_tour_table_train_simple;这样我们的数据就通过 数据湖 管理起来了。数据湖具有版本管理等功能，速度相比 csv 文件也更快。但是 OpenMLDB 并不能直接访问数据湖，所以，我们还需要把数据导出一份到文件系统中，供 OpenMLDB 使用。save overwrite taxi_tour_table_train_simple as parquet./sample_data/data/taxi_tour_table_train_simple;保存完成后，在侧面的文件系统里是可以看到下列内容：
现在，我们需要让 OpenMLDB 把这个数据加载进去：-- load the data to FeatureStore offline-- /home/williamzhu/byzer-home/allwefantasyrun command as FeatureStoreExt.` where zkAddress="192.168.3.14:7181"and sql-0='''SET @@execute_mode='offline';'''and sql-1='''SET @@job_timeout=20000000;'''and sql-2`='''LOAD DATA INFILE '${HOME}/sample_data/data/taxi_tour_table_train_simple' INTO TABLE t1 options(format='parquet', header=true, mode='append');'''and db="demo_db"and action="ddl";点击执行后效果如下：
这里有点小遗憾, 测试的 OpenMLDB 版本的最后输出是一个格式化的字符串，所以显示比较凌乱。值得注意的是，sql-2 是让 OpenMLDB 加载前面我们产生的文件，这里我们需要传递 ${HOME} 做前缀，因为 Byzer 是多租户的引擎，目录是虚拟目录，只有这样不同用户的目录才不会覆盖。OpenMLDB 要访问 Byzer 的目录，需要添加 ${HOME} 这个前缀。注释，如果发现 ${HOME} 这个无效，请使用 Byzer Notebook 配置文件中的 notebook.user.home 进行替代。比如我实验的时候的配置是这个： notebook.user.home=/home/williamzhu/byzer-homeOpenMLDB 是异步模式的，所以系统返回给 Byzer 的是一个任务 ID 号。我们可以使用如下代码看看任务是不是完成了：run command as FeatureStoreExt.` where zkAddress="192.168.3.14:7181"and sql-0='''SET @@execute_mode='offline';'''and sql-1='''SET @@job_timeout=20000000;'''and sql-2`='''show jobs;'''and db="demo_db"and action="ddl";!lastCommand named jobs;select application_id, id, state,end_time from jobs order by id desc as output;输出结果如下：
可以观察下 state 状态从 Running 变成 FINISHED, 然后可以继续往下走。数据被加载到 OpenMLDB 后，现在就可以利用它计算特征，计算的特征我们会保存到 /tmp/feature_data 目录中供 Byzer 后续建模使用。-- compute feature with OpenMLDBrun command as FeatureStoreExt.` where zkAddress="192.168.3.14:7181"and sql-0='''SET @@execute_mode='offline';'''and sql-1='''SET @@job_timeout=20000000;'''and sql-2`='''SELECT trip_duration, passenger_count,sum(pickup_latitude) OVER w AS vendor_sum_pl,max(pickup_latitude) OVER w AS vendor_max_pl,min(pickup_latitude) OVER w AS vendor_min_pl,avg(pickup_latitude) OVER w AS vendor_avg_pl,sum(pickup_latitude) OVER w2 AS pc_sum_pl,max(pickup_latitude) OVER w2 AS pc_max_pl,min(pickup_latitude) OVER w2 AS pc_min_pl,avg(pickup_latitude) OVER w2 AS pc_avg_pl,count(vendor_id) OVER w2 AS pc_cnt,count(vendor_id) OVER w AS vendor_cntFROM t1WINDOW w AS (PARTITION BY vendor_id ORDER BY pickup_datetime ROWS_RANGE BETWEEN 1d PRECEDING AND CURRENT ROW),w2 AS (PARTITION BY passenger_count ORDER BY pickup_datetime ROWS_RANGE BETWEEN 1d PRECEDING AND CURRENT ROW) INTO OUTFILE '${HOME}/tmp/feature_data';'''and db="demo_db"and action="ddl";执行结果：
然后我们到 Byzer-Notebook 侧边的文件系统里，可以看到生成了对应的目录：
现在，我们可以用 Byzer 加载 OpenMLDB 产生的特征数据了：load csv./tmp/feature_data whereheader="true"and inferSchema="true"as feature_data;-- !desc feature_data;执行效果如下：
对特征在做一些处理，比如类型转换之类的：select *, cast(passenger_count as double) as passenger_count_d,cast(pc_cnt as double) as pc_cnt_d, cast(vendor_cnt as double) as vendor_cnt_d from feature_dataas new_feature_data;-- !desc new_feature_data;
还可以看看特征之间的关系（这是个可选步骤，需要用到 Byzer 可视化插件，用户感兴趣可以参考文章——《祝威廉：Byzer-yaml-visualiaztion 插件介绍》 ，详见知乎）：select passenger_count_d,vendor_sum_pl,vendor_max_pl,vendor_min_pl,vendor_avg_pl,pc_sum_pl,pc_max_pl,pc_min_pl,pc_avg_pl,pc_cnt_d,vendor_cnt, trip_duration as labelfrom new_feature_data as visual_data1;-- 每个 label 按比例抽样run visual_data1 as RateSampler.`` where sampleRate="0.9,0.1"as visual_data2;-- 获得 10% 的数据select * from visual_data2 where __split__=1 as visual_data;!visualize visual_data '''runtime: env: source /home/williamzhu/miniconda3/bin/activate ray-1.12.0 cache: falsecontrol: ignoreSort: truefig: scatter_matrix: color: label dimensions: vv_type: code vv_value: >- ["passenger_count_d","vendor_sum_pl","pc_sum_pl"]''';执行结果如下：
最后，我们来生成最后可以给算法直接用的数据：select vec_dense(array(passenger_count_d,vendor_sum_pl,vendor_max_pl,vendor_min_pl,vendor_avg_pl,pc_sum_pl,pc_max_pl,pc_min_pl,pc_avg_pl,pc_cnt_d,vendor_cnt)) as features, cast(trip_duration as double) as labelfrom new_feature_data as trainning_table;执行结果如下：
接着我们开始训练模型，使用 线性回归 算法来训练：train trainning_table as LinearRegression./model/tax-trip where-- once set true,every time you run this script, MLSQL will generate new directory for you modelkeepVersion="true"-- specify the test dataset which will be used to feed evaluator to generate some metrics e.g. F1, Accurateand evaluateTable="trainning_table"-- specify group 0 parametersand fitParam.0.labelCol="label"and fitParam.0.featuresCol="features"and fitParam.0.maxIter="30";模型会被保存在 /model/tax-trip目录里。执行结果如下：
到此，我们模型训练部分结束。特征部署和模型部署既然是端到端，那么我们肯定需要把特征和模型代码都进行部署。部署依然很简单。第一步部署特征工程：-- deploy feature logical for onlinerun command as FeatureStoreExt. where zkAddress="192.168.3.14:7181"and `sql-0`='''SET @@execute_mode='online';'''and `sql-1`='''SET @@job_timeout=20000000;'''and `sql-2`='''DEPLOY demo SELECT trip_duration, passenger_count,sum(pickup_latitude) OVER w AS vendor_sum_pl,max(pickup_latitude) OVER w AS vendor_max_pl,min(pickup_latitude) OVER w AS vendor_min_pl,avg(pickup_latitude) OVER w AS vendor_avg_pl,sum(pickup_latitude) OVER w2 AS pc_sum_pl,max(pickup_latitude) OVER w2 AS pc_max_pl,min(pickup_latitude) OVER w2 AS pc_min_pl,avg(pickup_latitude) OVER w2 AS pc_avg_pl,count(vendor_id) OVER w2 AS pc_cnt,count(vendor_id) OVER w AS vendor_cntFROM t1WINDOW w AS (PARTITION BY vendor_id ORDER BY pickup_datetime ROWS_RANGE BETWEEN 1d PRECEDING AND CURRENT ROW),w2 AS (PARTITION BY passenger_count ORDER BY pickup_datetime ROWS_RANGE BETWEEN 1d PRECEDING AND CURRENT ROW);'''and db="demo_db"and action="ddl";接着模拟一个线上实时数据,方便部署后的使用：-- mock online datarun command as FeatureStoreExt. where zkAddress="192.168.3.14:7181"and `sql-0`='''SET @@execute_mode='online';'''and `sql-1`='''SET @@job_timeout=20000000;'''and `sql-2`='''LOAD DATA INFILE '${HOME}/sample_data/data/taxi_tour_table_train_simple' INTO TABLE t1 options(format='parquet', header=true, mode='append');'''and db="demo_db"and action="ddl";最后部署下我们的线性回归模型：--%deployModel--%url=http://192.168.3.14:9003register LinearRegression./model/tax-trip as tax_trip_model_predict;这些代码都在 tax_trip_deploy.bznb 文件里：
好了，现在我们来验证下我们部署的 API 服务。API 预测这里，我们可以用 Byzer 的 Shell 插件来使用 curl 来进行预测：!sh curl -XPOST 'http://192.168.3.14:9003/mode...' -d 'dataType=row&sql=select tax_trip_model_predict(vec_dense(slice(from_json(get_json_object(string(rest_request("http://192.168.3.14:9080/dbs/demo_db/deployments/demo","POST", map("body","{\"input\":[[\"id0376262\",1,1467302350000,1467304896000,2,-73.873093,40.774097,-73.926704,40.856739,\"N\",1]]}"),map("Content-Type" , "application/json"),map())),"$.data.data[0]"),"array
随意给一条数据，就能预测出租车的时间了。总结通过整合 Byzer 和 OpenMLDB，我们不但能实现端到端的机器学习流程，同时还能完成实时特征工程，而且整个流程操作起来简单高效。Byzer+OpenMLDB，未来前景不可限量。相关链接✦OpenMLDB 官网https://openmldb.ai/OpenMLDB github 主页https://github.com/4paradigm/... 微信交流群
