Alink漫谈(十三) ：在线学习算法FTRL 之 具体实现
Alink漫谈(十三) ：在线学习算法FTRL 之 具体实现
文章目录
- Alink漫谈(十三) ：在线学习算法FTRL 之 具体实现
-
- 0x00 摘要
- 0x01 回顾
- 0x02 在线训练
-
- 2.1 预置模型
-
- 2.1.1 训练模型
- 2.1.2 加载模型
- 2.2 分割高维向量
- 2.3 迭代训练
-
- 2.3.1 Flink Stream迭代功能
- 2.3.2 迭代构建
-
- 2.3.2.1 迭代的输入
- 2.3.2.2 迭代的反馈
- 2.3.3 迭代体 CalcTask / ReduceTask
-
- 2.3.3.1 迭代初始化
- 2.3.3.2 处理输入数据
- 2.3.3.3 归并数据
- 2.3.3.4 判断是否反馈
- 2.3.3.5 判断是否输出模型
- 2.3.3.6 处理反馈数据/更新参数
- 2.4 输出模型
- 0x03 在线预测
-
- 3.1 初始化
- 3.2 获取在线训练模型
- 3.3 在线预测
-
- 3.3.1 加载预设置模型
- 3.3.2 在线预测
- 3.3.3 在线更新模型
- 0x04 问题解答
- 0xFF 参考
0x00 摘要
Alink 是阿里巴巴基于实时计算引擎 Flink 研发的新一代机器学习算法平台，是业界首个同时支持批式算法、流式算法的机器学习平台。本文和上文一起介绍了在线学习算法 FTRL 在Alink中是如何实现的，希望对大家有所帮助。
0x01 回顾
书接上回 Alink漫谈(十二) ：在线学习算法FTRL 之 整体设计 。到目前为止，已经处理完毕输入，接下来就是在线训练。训练优化的主要目标是找到一个方向，参数朝这个方向移动之后使得损失函数的值能够减小，这个方向往往由一阶偏导或者二阶偏导各种组合求得。
为了让大家更好理解，我们再次贴出整体流程图：
0x02 在线训练
在线训练主要逻辑是：
- 1）加载初始化模型到 dataBridge；dataBridge = DirectReader.collect(model);
- 2）获取相关参数。比如vectorSize默认是30000，是否 hasInterceptItem；
- 3）获取切分信息。splitInfo = getSplitInfo(featureSize, hasInterceptItem, parallelism); 下面马上会用到。
- 4）切分高维向量。初始化数据做了特征哈希，会产生高维向量，这里需要进行切割。 initData.flatMap(new SplitVector(splitInfo, hasInterceptItem, vectorSize,vectorTrainIdx, featureIdx, labelIdx))；
- 5）构建一个 IterativeStream.ConnectedIterativeStreams iteration，这样会构建（或者说连接）两个数据流：反馈流和训练流；
- 6）用iteration来构建迭代体 iterativeBody，其包括两部分：CalcTask，ReduceTask；
- 6.1）CalcTask分成两个部分。flatMap1 是分布计算FTRL迭代需要的predict，flatMap2 是FTRL的更新参数部分；
- 6.2）ReduceTask分为两个功能：“归并这些predict计算结果“ / ”如果满足条件则归并模型 & 向下游算子输出模型“；
- 7）result = iterativeBody.filter；基本是以时间间隔为标准来判断（也可以认为是时间驱动），“时间未过期&向量有意义” 的数据将被发送回反馈数据流，继续迭代，回到步骤 6)，进入flatMap2；
- 8）output = iterativeBody.filter；符合标准（时间过期了）的数据将跳出迭代，然后算法会调用WriteModel将LineModelData转换为多条Row，转发给下游operator（也就是在线预测阶段）；即定时把模型更新给在线预测阶段。
2.1 预置模型
前面说到，FTRL先要训练出一个逻辑回归模型作为FTRL算法的初始模型，这是为了系统冷启动的需要。
2.1.1 训练模型
具体逻辑回归模型设定/训练是 ：
// train initial batch model
LogisticRegressionTrainBatchOp lr = new LogisticRegressionTrainBatchOp()
.setVectorCol(vecColName)
.setLabelCol(labelColName)
.setWithIntercept(true)
.setMaxIter(10);
BatchOperator<?> initModel = featurePipelineModel.transform(trainBatchData).link(lr);
训练好之后，模型信息是DataSet类型，位于变量 BatchOperator initModel之中，这是一个批处理算子。
2.1.2 加载模型
FtrlTrainStreamOp将initModel作为初始化参数。
FtrlTrainStreamOp model = new FtrlTrainStreamOp(initModel)
在FtrlTrainStreamOp构造函数中会加载这个模型；
dataBridge = DirectReader.collect(initModel);
具体加载时通过MemoryDataBridge直接获取初始化模型DataSet中的数据。
public MemoryDataBridge generate(BatchOperator batchOperator, Params globalParams) {
return new MemoryDataBridge(batchOperator.collect());
}
2.2 分割高维向量
从前文可知，Alink的FTRL算法设置的特征向量维度是30000。所以算法第一步就是切分高维度向量，以便分布式计算。
String vecColName = "vec";
int numHashFeatures = 30000;
首先要获取切分信息，代码如下，就是将特征数目featureSize 除以 并行度parallelism，然后得到了每个task对应系数的初始位置。
private static int[] getSplitInfo(int featureSize, boolean hasInterceptItem, int parallelism) {
int coefSize = (hasInterceptItem) ? featureSize + 1 : featureSize;
int subSize = coefSize / parallelism;
int[] poses = new int[parallelism + 1];
int offset = coefSize % parallelism;
for (int i = 0; i < offset; ++i) {
poses[i + 1] = poses[i] + subSize + 1;
}
for (int i = offset; i < parallelism; ++i) {
poses[i + 1] = poses[i] + subSize;
}
return poses;
}
//程序运行时变量如下
featureSize = 30000
hasInterceptItem = true
parallelism = 4
coefSize = 30001
subSize = 7500
poses = {int[5]@11660}
0 = 0
1 = 7501
2 = 15001
3 = 22501
4 = 30001
offset = 1
然后根据切分信息对高维向量进行切割。
// Tuple5具体切分在SplitVector.flatMap函数完成，结果就是把一个高维度向量分割给各个CalcTask。
代码摘要如下：
public void flatMap(Row row, Collector<Tuple5<Long, Integer, Integer, Vector, Object>> collector) throws Exception {
long sampleId = counter;
counter += parallelism;
Vector vec;
if (vectorTrainIdx == -1) {
.....
} else {
// 输入row的第vectorTrainIdx个field就是那个30000大小的系数向量
vec = VectorUtil.getVector(row.getField(vectorTrainIdx));
}
if (vec instanceof SparseVector) {
Map<Integer, Vector> tmpVec = new HashMap<>();
for (int i = 0; i < indices.length; ++i) {
.....
// 此处迭代完成后，tmpVec中就是task number个元素，每一个元素是分割好的系数向量。
}
for (Integer key : tmpVec.keySet()) {
//此处遍历，给后面所有CalcTask发送五元组数据。
collector.collect(Tuple5.of(sampleId, key, subNum, tmpVec.get(key), row.getField(labelIdx)));
}
} else {
......
}
}
}
这个Tuple5.of(sampleId, key, subNum, tmpVec.get(key), row.getField(labelIdx) )就是后面CalcTask的输入。
2.3 迭代训练
此处理论上有以下几个重点：
-
预测方法：在每一轮t中，针对特征样本xt，以及迭代后（第一次则是给定初值）的模型参数wt，我们可以预测该样本的标记值：pt=σ(wt,xt)，其中σ(a)=1/(1+exp(−a))是一个sigmoid函数。
-
损失函数：对一个特征样本xt，其对应的标记为yt ∈ 0,1，则通过 logistic loss 来作为损失函数。
-
迭代公式：我们的目的是使得损失函数尽可能的小，即可以采用极大似然估计来求解参数。首先求梯度，然后使用FTRL进行迭代。
伪代码思路大致如下
double p = learner.predict(x); //预测
learner.updateModel(x, p, y); //更新模型
double loss = LogLossEvalutor.calLogLoss(p, y); //计算损失
evalutor.addLogLoss(loss); //更新损失
totalLoss += loss;
trainedNum += 1;
具体实施上Alink有自己的特点和调整。
2.3.1 Flink Stream迭代功能
机器学习都需要迭代训练，Alink这里利用了Flink Stream的迭代功能。
IterativeStream的实例是通过DataStream的iterate方法创建的˙。iterate方法存在两个重载形式：
- 一种是无参的，表示不限定最大等待时间；
- 一种提供一个长整型maxWaitTimeMillis参数，允许用户指定等待反馈边的下一个输入元素的最大时间间隔。
Alink选择了第二种。
在创建ConnectedIterativeStreams时候，用迭代流的初始输入作为第一个输入流，用反馈流作为第二个输入。
每一种数据流（DataStream）都会有与之对应的流转换（StreamTransformation）。IterativeStream对应的转换是FeedbackTransformation。
迭代流（IterativeStream）对应的转换是反馈转换（FeedbackTransformation），它表示拓扑中的一个反馈点（也即迭代头）。一个反馈点包含一个输入边以及若干个反馈边，且Flink要求每个反馈边的并行度必须跟输入边的并行度一致，这一点在往该转换中加入反馈边时会进行校验。
当IterativeStream对象被构造时，FeedbackTransformation的实例会被创建并传递给DataStream的构造方法。
迭代的关闭是通过调用IterativeStream的实例方法closeWith来实现的。这个函数指定了某个流将成为迭代程序的结束，并且这个流将作为输入的第二部分（second input）被反馈回迭代。
2.3.2 迭代构建
对于Alink来说，迭代构建代码是：
// train data format = 2.3.2.1 迭代的输入
从代码和注释可以看出，迭代的两种输入是：
- train data format =
- Tuple7
2.3.2.2 迭代的反馈
反馈流的设置是通过调用IterativeStream的实例方法closeWith来实现的。Alink这里是
DataStream<Tuple7<Long, Integer, Integer, Vector, Object, Double, Long>>
result = iterativeBody.filter(
return (t3.f0 > 0 && t3.f2 > 0); // 这里是省略版本代码
);
iteration.closeWith(result);
前面已经提到过，result filter 的判断是 return (t3.f0 > 0 && t3.f2 > 0) ，如果满足条件，则说明时间未过期&向量有意义，所以此时应该反馈回去，继续训练。
反馈流的格式是：
- Tuple7
2.3.3 迭代体 CalcTask / ReduceTask
迭代体由两部分构成：CalcTask / ReduceTask。
CalcTask每一个实例都拥有初始化模型dataBridge。
DataStream iterativeBody = iteration.flatMap(
new CalcTask(dataBridge, splitInfo, getParams()))
2.3.3.1 迭代初始化
迭代是由 CalcTask.open 函数开始，主要做如下几件事
- 设定各种参数，比如
- 工作task个数，numWorkers = getRuntimeContext().getNumberOfParallelSubtasks();
- 本task的id，workerId = getRuntimeContext().getIndexOfThisSubtask();
- 读取初始化模型
- List modelRows = DirectReader.directRead(dataBridge);
- 把Row类型数据转换为线性模型 LinearModelData model = new LinearModelDataConverter().load(modelRows);
- 读取本task对应的系数 coef[i - startIdx]，这里就是把整个模型切分到numWorkers这么多的Task中，并行更新。
- 指定本task的开始时间 startTime = System.currentTimeMillis();
2.3.3.2 处理输入数据
CalcTask.flatMap1主要实现的是FTRL算法中的predict部分（注意，不是FTRL预测）。
解释：pt=σ(Xt⋅w)是LR的预测函数，求出pt的唯一目的是为了求出目标函数（在LR中采用交叉熵损失函数作为目标函数）对参数w的一阶导数g，gi=(pt−yt)xi。此步骤同样适用于FTRL优化其他目标函数，唯一的不同就是求次梯度g（次梯度是左导和右导之间的集合，函数可导–左导等于右导时，次梯度就等于一阶梯度）的方法不同。
函数的输入是 “训练输入数据”，即SplitVector.flatMap的输出 ----> CalcCalcTask的输入。输入数据是一个五元组，其格式为 train data format =
有三点需要注意：
- 是如果是第一次进入，则需要savedFristModel；
- 这里是有输入就处理，然后立即输出（和flatMap2不同，flatMap2有输入就处理，但不是立即输出，而是当时间到期了再输出）；
- predict的实现：
((SparseVector)vec).getValues()[i] * coef[indices[i] - startIdx];
大家会说，不对！predict函数应该是 sigmoid = 1.0 / (1.0 + np.exp(-w.dot(x)))。是的，这里还没有做 sigmoid 操作。当ReduceTask做了聚合之后，会把聚合好的 p 反馈回迭代体，然后在 CalcTask.flatMap2 中才会做 sigmoid 操作。
public void flatMap1(Tuple5<Long, Integer, Integer, Vector, Object> value,
Collector<Tuple7<Long, Integer, Integer, Vector, Object, Double, Long>> out) throws Exception {
if (!savedFristModel) { //第一次进入需要存模型
out.collect(Tuple7.of(-1L, 0, getRuntimeContext().getIndexOfThisSubtask(),
new DenseVector(coef), labelValues, -1.0, modelId++));
savedFristModel = true;
}
Long timeStamps = System.currentTimeMillis();
double wx = 0.0;
Long sampleId = value.f0;
Vector vec = value.f3;
if (vec instanceof SparseVector) {
int[] indices = ((SparseVector)vec).getIndices();
// 这里就是具体的Predict
for (int i = 0; i < indices.length; ++i) {
wx += ((SparseVector)vec).getValues()[i] * coef[indices[i] - startIdx];
}
} else {
......
}
//处理了就输出
out.collect(Tuple7.of(sampleId, value.f1, value.f2, value.f3, value.f4, wx, timeStamps));
}
2.3.3.3 归并数据
ReduceTask.flatMap 负责归并数据。
public static class ReduceTask extends
RichFlatMapFunction<Tuple7<Long, Integer, Integer, Vector, Object, Double, Long>,
Tuple7<Long, Integer, Integer, Vector, Object, Double, Long>> {
private int parallelism;
private int[] poses;
private Map<Long, List<Object>> buffer;
private Map<Long, List<Tuple2<Integer, DenseVector>>> models = new HashMap<>();
}
flatMap函数大致完成如下功能，即两种归并：
- 为了输出模型使用。判断是否时间过期 if (value.f0 < 0)，如果过期，则归并模型：
- 生成一个List
- 如果全部收集完成，则向下游算子输出模型，并且从HashMap中删除暂存的模型。
- 生成一个List
- 为了归并predict使用。归并每个CalcTask计算的predict，形成一个 lable y；
- 用 label y 更新 Tuple7的f5，即Tuple7
- 给每个下游算子（就是每个CalcTask了，不过是作为flatMap2的输入）发送这个新Tuple7；
- 用 label y 更新 Tuple7的f5，即Tuple7
当具体用作输出模型使用时，其变量如下：
models = {HashMap@13258} size = 1
{Long@13456} 1 -> {ArrayList@13678} size = 1
key = {Long@13456} 1
value = {ArrayList@13678} size = 1
0 = {Tuple2@13698} "(1,0.0 -8.244533295515879E-5 0.0 -1.103997743166529E-4 0.0 -3.336931546279811E-5....."
2.3.3.4 判断是否反馈
这个 filter result 是用来判断是否反馈的。这里t3.f0 是sampleId, t3.f2是subNum。
DataStream<Tuple7<Long, Integer, Integer, Vector, Object, Double, Long>>
result = iterativeBody.filter(
new FilterFunction<Tuple7<Long, Integer, Integer, Vector, Object, Double, Long>>() {
@Override
public boolean filter(Tuple7<Long, Integer, Integer, Vector, Object, Double, Long> t3)
throws Exception {
// if t3.f0 > 0 && t3.f2 > 0 then feedback
return (t3.f0 > 0 && t3.f2 > 0);
}
});
对于 t3.f0，有两处代码会设置为负值。
-
会在savedFirstModel 这里设置一次"-1"；即
if (!savedFristModel) { out.collect(Tuple7.of(-1L, 0, getRuntimeContext().getIndexOfThisSubtask(), new DenseVector(coef), labelValues, -1.0, modelId++)); savedFristModel = true; } -
也会在时间过期时候设置为 “-1”。
if (System.currentTimeMillis() - startTime > modelSaveTimeInterval) { startTime = System.currentTimeMillis(); out.collect(Tuple7.of(-1L, 0, getRuntimeContext().getIndexOfThisSubtask(), new DenseVector(coef), labelValues, -1.0, modelId++)); }
对于 t3.f2，如果 subNum 大于零，说明在高维向量切分时候，是得到了有意义的数值。
因此 return (t3.f0 > 0 && t3.f2 > 0) 说明时间未过期&向量有意义，所以此时应该反馈回去，继续训练。
2.3.3.5 判断是否输出模型
这里是filter output。
value.f0 < 0 说明时间到期了，应该输出模型。
DataStream<Row> output = iterativeBody.filter(
new FilterFunction<Tuple7<Long, Integer, Integer, Vector, Object, Double, Long>>() {
@Override
public boolean filter(Tuple7<Long, Integer, Integer, Vector, Object, Double, Long> value)
{
/* if value.f0 small than 0, then output */
return value.f0 < 0;
}
}).flatMap(new WriteModel(labelType, getVectorCol(), featureCols, hasInterceptItem));
2.3.3.6 处理反馈数据/更新参数
CalcTask.flatMap2实际完成的是FTRL算法的其余部分，即更新参数部分。主要逻辑如下：
- 计算时间间隔 timeInterval = System.currentTimeMillis() - value.f6;
- 正式计算predict， p = 1 / (1 + Math.exp(-p)); 即sigmoid 操作；
- 计算梯度 g = (p - label) * values[i] / Math.sqrt(timeInterval); 这里除以了时间间隔；
- 更新参数；
- 输入。注意，这里是有输入就处理，但 不是立即输出，而是累积参数，当时间到期了再输出，也就是做到了定期输出模型；
在 Logistic Regression 中，sigmoid函数是σ(a) = 1 / (1 + exp(-a)) ，预估 pt = σ(xt . wt), 则 LogLoss 函数是
l t ( w t ) = − y t l o g ( p t ) − ( 1 − y t ) l o g ( 1 − p t ) l_t(w_t) = -y_t log(p_t) - (1-y_t)log(1-p_t) lt(wt)=−ytlog(pt)−(1−yt)log(1−pt)
直接计算可以得到
∇ l ( w ) = ( σ ( w . x t ) − y t ) x t = ( p t − y t ) x t ∇l(w) = (σ(w.x_t) - y_t)x_t = (p_t - y_t)x_t ∇l(w)=(σ(w.xt)−yt)xt=(pt−yt)xt
具体 LR + FTRL 算法实现如下：
@Override
public void flatMap2(Tuple7<Long, Integer, Integer, Vector, Object, Double, Long> value,
Collector<Tuple7<Long, Integer, Integer, Vector, Object, Double, Long>> out)
throws Exception {
double p = value.f5;
// 计算时间间隔
long timeInterval = System.currentTimeMillis() - value.f6;
Vector vec = value.f3;
/* eta */
// 正式计算predict，之前只是计算了一半，这里计算后半部，即
p = 1 / (1 + Math.exp(-p));
.....
if (vec instanceof SparseVector) {
// 这里是更新参数
int[] indices = ((SparseVector)vec).getIndices();
double[] values = ((SparseVector)vec).getValues();
for (int i = 0; i < indices.length; ++i) {
// update zParam nParam
int id = indices[i] - startIdx;
// values[i]是xi
// 下面的计算基本和Google伪代码一致
double g = (p - label) * values[i] / Math.sqrt(timeInterval);
double sigma = (Math.sqrt(nParam[id] + g * g) - Math.sqrt(nParam[id])) / alpha;
zParam[id] += g - sigma * coef[id];
nParam[id] += g * g;
// update model coefficient
if (Math.abs(zParam[id]) <= l1) {
coef[id] = 0.0;
} else {
coef[id] = ((zParam[id] < 0 ? -1 : 1) * l1 - zParam[id])
/ ((beta + Math.sqrt(nParam[id]) / alpha + l2));
}
}
} else {
......
}
// 当时间到期了再输出，即做到了定期输出模型
if (System.currentTimeMillis() - startTime > modelSaveTimeInterval) {
startTime = System.currentTimeMillis();
out.collect(Tuple7.of(-1L, 0, getRuntimeContext().getIndexOfThisSubtask(),
new DenseVector(coef), labelValues, -1.0, modelId++));
}
}
2.4 输出模型
WriteModel 类实现了输出模型功能，大致逻辑如下：
- 生成一个LinearModelData，用训练好的Tuple7来填充这个 LinearModelData。其中两个重要点：
- modelData.coefVector = (DenseVector)value.f3;
- modelData.labelValues = (Object[])value.f4;
- 把模型数据转换成List rows。LinearModelDataConverter().save(modelData, listCollector);
- 序列化，发送给下游算子。因为模型可能会很大，所以这里打散之后分布发送给下游算子。
public void flatMap(Tuple7<Long, Integer, Integer, Vector, Object, Double, Long> value, Collector<Row> out){
//输入value变量打印如下：
value = {Tuple7@13296}
f0 = {Long@13306} -1
f1 = {Integer@13307} 0
f2 = {Integer@13308} 2
f3 = {DenseVector@13309} "-0.7383426732137565 0.0 0.0 0.0 1.5885293675862715E-4 -4.834608575902742E-5 0.0 0.0 -6.754208708318647E-5 ......"
data = {double[30001]@13314}
f4 = {Object[2]@13310}
f5 = {Double@13311} -1.0
f6 = {Long@13312} 0
//生成模型
LinearModelData modelData = new LinearModelData();
......
modelData.coefVector = (DenseVector)value.f3;
modelData.labelValues = (Object[])value.f4;
//把模型数据转换成List rows
RowCollector listCollector = new RowCollector();
new LinearModelDataConverter().save(modelData, listCollector);
List<Row> rows = listCollector.getRows();
for (Row r : rows) {
int rowSize = r.getArity();
for (int j = 0; j < rowSize; ++j) {
.....
//序列化
}
out.collect(row);
}
iter++;
}
}
0x03 在线预测
预测功能是在 FtrlPredictStreamOp 完成的。
// ftrl predict
FtrlPredictStreamOp predictResult = new FtrlPredictStreamOp(initModel)
.setVectorCol(vecColName)
.setPredictionCol("pred")
.setReservedCols(new String[]{labelColName})
.setPredictionDetailCol("details")
.linkFrom(model, featurePipelineModel.transform(splitter.getSideOutput(0)));
从上面代码我们可以看到
- FtrlPredict 功能同样需要初始模型 initModel，我们也是把逻辑回归模型赋予它。这样也是为了冷启动，即当FTRL训练模块还没有产生模型之前，FTRL预测模块也是可以对其输入数据做预测的。
- model 是 FtrlTrainStreamOp 的输出，即 FTRL 的训练输出。所以 WriteModel 就直接把输出传给了 FtrlPredict功能。
- splitter.getSideOutput(0) 这里是前面提到的测试输入，就是测试数据集。
linkFrom函数完成了业务逻辑，大致功能如下：
- 使用
inputs[0].getDataStream().flatMap ------> partition ----> map ----> flatMap(new CollectModel())得到了模型 LinearModelData modelstr； - 使用 DataStream.connect 把输入的测试数据集 和 模型 LinearModelData modelstr关联起来，这样每个task都拥有了在线模型 modelstr，就可以通过
flatMap(new PredictProcess(...)进行分布式预测； - 使用 setOutputTable 和 LinearModelMapper 把预测结果输出；
即 FTRL的预测功能有三个输入：
- 初始模型 initModel -----> 最后被 PredictProcess.open 加载，作为冷启动的预测模型；
- 测试数据流 -----> 被 PredictProcess.flatMap1处理，进行预测；
- FTRL训练阶段产生的模型数据流 ----> 被 PredictProcess.flatMap2 处理，进行在线模型更新；
3.1 初始化
构造函数中完成了初始化，即获取事先训练好的逻辑回归模型。
public FtrlPredictStreamOp(BatchOperator model) {
super(new Params());
if (model != null) {
dataBridge = DirectReader.collect(model);
} else {
throw new IllegalArgumentException("Ftrl algo: initial model is null. Please set a valid initial model.");
}
}
3.2 获取在线训练模型
CollectModel完成了 获取在线训练模型 功能。
其逻辑主要是：模型被分成若干块，其中 (long)inRow.getField(1) 这里记录了具体有多少块。所以 flatMap 函数会把这些块累积起来，最后组装成模型，统一发送给下游算子。
具体是通过一个 HashMap<> buffers 来完成临时拼装/最后组装的。
public static class CollectModel implements FlatMapFunction<Row, LinearModelData> {
private Map<Long, List<Row>> buffers = new HashMap<>(0);
@Override
public void flatMap(Row inRow, Collector<LinearModelData> out) throws Exception {
// 输入参数如下
inRow = {Row@13389} "0,19,0,{"hasInterceptItem":"true","vectorCol":"\"vec\"","modelName":"\"Logistic Regression\"","labelCol":null,"linearModelType":"\"LR\"","vectorSize":"30000"},null"
fields = {Object[5]@13405}
0 = {Long@13406} 0
1 = {Long@13403} 19
2 = {Long@13406} 0
3 = "{"hasInterceptItem":"true","vectorCol":"\"vec\"","modelName":"\"Logistic Regression\"","labelCol":null,"linearModelType":"\"LR\"","vectorSize":"30000"}"
long id = (long)inRow.getField(0);
Long nTab = (long)inRow.getField(1);
Row row = new Row(inRow.getArity() - 2);
for (int i = 0; i < row.getArity(); ++i) {
row.setField(i, inRow.getField(i + 2));
}
if (buffers.containsKey(id) && buffers.get(id).size() == nTab.intValue() - 1) {
buffers.get(id).add(row);
// 如果累积完成，则组装成模型
LinearModelData ret = new LinearModelDataConverter().load(buffers.get(id));
buffers.get(id).clear();
// 发送给下游算子。
out.collect(ret);
} else {
if (buffers.containsKey(id)) {
//如果有key。则往list添加。
buffers.get(id).add(row);
} else {
// 如果没有key，则添加list
List<Row> buffer = new ArrayList<>(0);
buffer.add(row);
buffers.put(id, buffer);
}
}
}
}
//变量类似这种
this = {FtrlPredictStreamOp$CollectModel@13388}
buffers = {HashMap@13393} size = 1
{Long@13406} 0 -> {ArrayList@13431} size = 2
key = {Long@13406} 0
value = 0
value = {ArrayList@13431} size = 2
0 = {Row@13409} "0,{"hasInterceptItem":"true","vectorCol":"\"vec\"","modelName":"\"Logistic Regression\"","labelCol":null,"linearModelType":"\"LR\"","vectorSize":"30000"},null"
1 = {Row@13471} "1048576,{"featureColNames":null,"featureColTypes":null,"coefVector":{"data":[-0.7383426732137549,0.0,0.0,0.0,1.5885293675862704E-4,-4.834608575902738E-5,0.0,0.0,-6.754208708318643E-5,-1.5904172331763155E-4,0.0,-1.315219790338925E-4,0.0,-4.994749246390495E-4,0.0,2.755456604395511E-4,-9.616429481614131E-4,-9.601054004112163E-5,0.0,-1.6679174640370486E-4,0.0,......"
3.3 在线预测
PredictProcess 完成了在线预测功能，LinearModelMapper 是具体预测实现。
public static class PredictProcess extends RichCoFlatMapFunction<Row, LinearModelData, Row> {
private LinearModelMapper predictor = null;
private String modelSchemaJson;
private String dataSchemaJson;
private Params params;
private int iter = 0;
private DataBridge dataBridge;
}
3.3.1 加载预设置模型
其构造函数获得了 FtrlPredictStreamOp 类的 dataBridge，即事先训练好的逻辑回归模型。每一个Task都拥有完整的模型。
open函数会加载逻辑回归模型。
public void open(Configuration parameters) throws Exception {
this.predictor = new LinearModelMapper(TableUtil.fromSchemaJson(modelSchemaJson),
TableUtil.fromSchemaJson(dataSchemaJson), this.params);
if (dataBridge != null) {
// read init model
List<Row> modelRows = DirectReader.directRead(dataBridge);
LinearModelData model = new LinearModelDataConverter().load(modelRows);
this.predictor.loadModel(model);
}
}
3.3.2 在线预测
FtrlPredictStreamOp.flatMap1 函数完成了在线预测。
public void flatMap1(Row row, Collector<Row> collector) throws Exception {
collector.collect(this.predictor.map(row));
}
调用栈如下：
predictWithProb:157, LinearModelMapper (com.alibaba.alink.operator.common.linear)
predictResultDetail:114, LinearModelMapper (com.alibaba.alink.operator.common.linear)
map:90, RichModelMapper (com.alibaba.alink.common.mapper)
flatMap1:174, FtrlPredictStreamOp$PredictProcess (com.alibaba.alink.operator.stream.onlinelearning)
flatMap1:143, FtrlPredictStreamOp$PredictProcess (com.alibaba.alink.operator.stream.onlinelearning)
processElement1:53, CoStreamFlatMap (org.apache.flink.streaming.api.operators.co)
processRecord1:135, StreamTwoInputProcessor (org.apache.flink.streaming.runtime.io)
具体是通过 LinearModelMapper 完成。
public abstract class RichModelMapper extends ModelMapper {
public Row map(Row row) throws Exception {
if (isPredDetail) {
// 我们的示例代码在这里
Tuple2<Object, String> t2 = predictResultDetail(row);
return this.outputColsHelper.getResultRow(row, Row.of(t2.f0, t2.f1));
} else {
return this.outputColsHelper.getResultRow(row, Row.of(predictResult(row)));
}
}
}
预测代码如下，可以看出来使用了sigmoid。
/**
* Predict the label information with the probability of each label.
*/
public Tuple2 <Object, Double[]> predictWithProb(Vector vector) {
double dotValue = MatVecOp.dot(vector, model.coefVector);
switch (model.linearModelType) {
case LR:
case SVM:
double prob = sigmoid(dotValue);
return new Tuple2 <>(dotValue >= 0 ? model.labelValues[0] : model.labelValues[1],
new Double[] {prob, 1 - prob});
}
}
3.3.3 在线更新模型
FtrlPredictStreamOp.flatMap2 函数完成了处理在线训练输出的模型数据流，在线更新模型。
LinearModelData参数是由CollectModel完成加载并且传输出来的。
在模型加载过程中，是不能预测的，没有看到相关保护机制。如果我疏漏请大家指出。
public void flatMap2(LinearModelData linearModel, Collector<Row> collector) throws Exception {
this.predictor.loadModel(linearModel);
}
0x04 问题解答
针对之前我们提出的问题，现在总结归纳如下：
- 训练阶段和预测阶段都有预制模型以应对"冷启动"嘛？都有预制模型；
- 训练阶段和预测阶段是如何关联起来的？用 linkFrom 直接把训练阶段和预测阶段的算子连在一起；
- 如何把训练出来的模型传给预测阶段？训练阶段用 Flink collector.collect 把模型发给下游算子；
- 输出模型时候，模型过大怎么处理？在线训练会 模型打散 之后分布发送给下游算子；
- 在线训练的模型通过什么机制实现更新？是定时驱动更新嘛？定时更新；
- 预测阶段加载模型过程中，还可以预测嘛？有没有机制保证这段时间内也能预测？目前没有发现类似保护机制；
- 训练阶段中，有哪些阶段用到了并行处理？训练过程中主要是FTRL算法的"预测predict" 和 "更新参数"两个部分，以及发送模型；
- 预测阶段中，有哪些阶段用到了并行处理？预测过程中主要是分布式接受模型和分布式预测；
- 遇到高维向量如何处理？切分开嘛？切分处理；
本系列文章：
Alink漫谈(一) : 从KMeans算法实现不同看Alink设计思想
Alink漫谈(二) : 从源码看机器学习平台Alink设计和架构
Alink漫谈之三] AllReduce通信模型
Alink漫谈(四) : 模型的来龙去脉
Alink漫谈(五) : 迭代计算和Superstep
Alink漫谈(六) : TF-IDF算法的实现
Alink漫谈(七) : 如何划分训练数据集和测试数据集
Alink漫谈(八) : 二分类评估 AUC、K-S、PRC、Precision、Recall、LiftChart 如何实现
Alink漫谈(九) ：特征工程 之 特征哈希/标准化缩放
Alink漫谈(十) ：线性回归实现 之 数据预处理
Alink漫谈(十一) ：线性回归 之 L-BFGS优化
Alink漫谈(十二) ：在线学习算法FTRL 之 整体设计
Alink漫谈(十三) ：在线学习算法FTRL 之 具体实现
Alink漫谈(十四) ：多层感知机 之 总体架构
Alink漫谈(十五) ：多层感知机 之 迭代优化
0xFF 参考
【机器学习】逻辑回归（非常详细）
逻辑回归(logistics regression)
【机器学习】LR的分布式（并行化）实现
并行逻辑回归
机器学习算法及其并行化讨论
Online LR—— FTRL 算法理解
在线优化算法 FTRL 的原理与实现
LR+FTRL算法原理以及工程化实现
Flink流处理之迭代API分析
FTRL公式推导
FTRL论文笔记
在线机器学习FTRL(Follow-the-regularized-Leader)算法介绍
FTRL代码实现
FTRL实战之LR+FTRL（代码采用的稠密数据）
在线学习算法FTRL-Proximal原理
基于FTRL的在线CTR预测算法
CTR预测算法之FTRL-Proximal
各大公司广泛使用的在线学习算法FTRL详解
在线最优化求解(Online Optimization)之五：FTRL
FOLLOW THE REGULARIZED LEADER (FTRL) 算法总结
★★★★★★关于生活和技术的思考★★★★★★
微信公众账号：罗西的思考
如果您想及时得到个人撰写文章的消息推送，或者想看看个人推荐的技术资料，可以扫描下面二维码（或者长按识别二维码）关注个人公众号）。
