共計 9414 個字符，預計需要花費 24 分鐘才能閱讀完成。
本篇內容介紹了“如何使用 Mars Remote API 執行 Python 函數”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓丸趣 TV 小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！
Mars 是一個并行和分布式 Python 框架，能輕松把單機大家耳熟能詳的的 numpy、pandas、scikit-learn 等庫，以及 Python 函數利用多核或者多機加速。這其中，并行和分布式 Python 函數主要利用 Mars Remote API。
啟動 Mars 分布式環境可以參考：
命令行方式在集群中部署。
Kubernetes 中部署。
MaxCompute 開箱即用的環境，購買了 MaxCompute 服務的可以直接使用。
如何使用 Mars Remote API
使用 Mars Remote API 非常簡單，只需要對原有的代碼做少許改動，就可以分布式執行。
拿用蒙特卡洛方法計算 π 為例。代碼如下，我們編寫了兩個函數，calc_chunk 用來計算每個分片內落在圓內的點的個數，calc_pi 用來把多個分片 calc_chunk 計算的結果匯總最后得出 π 值。
from typing import Listimport numpy as npdef calc_chunk(n: int, i: int):# 計算 n 個隨機點（x 和 y 軸落在 - 1 到 1 之間）到原點距離小于 1 的點的個數 rs = np.random.RandomState(i)
a = rs.uniform(-1, 1, size=(n, 2))
d = np.linalg.norm(a, axis=1)return (d 1).sum()def calc_pi(fs: List[int], N: int):# 將若干次 calc_chunk 計算的結果匯總，計算 pi 的值 return sum(fs) * 4 / N
N = 200_000_000
n = 10_000_000
fs = [calc_chunk(n, i) for i in range(N // n)]
pi = calc_pi(fs, N)
print(pi)%%time 下可以看到結果：
3.1416312
CPU times: user 9.47 s, sys: 2.62 s, total: 12.1 s
Wall time: 12.3 s在單機需要 12.3 s。
要讓這個計算使用 Mars Remote API 并行起來，我們不需要對函數做任何改動，需要變動的僅僅是最后部分。
import mars.remote as mr# 函數調用改成 mars.remote.spawnfs = [mr.spawn(calc_chunk, args=(n, i)) for i in range(N // n)]# 把 spawn 的列表傳入作為參數，再 spawn 新的函數 pi = mr.spawn(calc_pi, args=(fs, N))# 通過 execute() 觸發執行，fetch() 獲取結果 print(pi.execute().fetch())%%time 下看到結果：
3.1416312
CPU times: user 29.6 ms, sys: 4.23 ms, total: 33.8 ms
Wall time: 2.85 s結果一模一樣，但是卻有數倍的性能提升。
可以看到，對已有的 Python 代碼，Mars remote API 幾乎不需要做多少改動，就能有效并行和分布式來加速執行過程。
一個例子
為了讓讀者理解 Mars Remote API 的作用，我們從另一個例子開始。現在我們有一個數據集，我們希望對它們做一個分類任務。要做分類，我們有很多算法和庫可以選擇，這里我們用 RandomForest、LogisticRegression，以及 XGBoost。
困難的地方是，除了有多個模型選擇，這些模型也會包含多個超參，那哪個超參效果最好呢？對于調參不那么有經驗的同學，跑過了才知道。所以，我們希望能生成一堆可選的超參，然后把他們都跑一遍，看看效果。
準備數據
這個例子里我們使用 otto 數據集。
首先，我們準備數據。讀取數據后，我們按 2：1 的比例把數據分成訓練集和測試集。
import pandas as pdfrom sklearn.preprocessing import LabelEncoderfrom sklearn.model_selection import train_test_splitdef gen_data():df = pd.read_csv( otto/train.csv)
X = df.drop([target , id], axis=1)
y = df[target]
label_encoder = LabelEncoder()
label_encoder.fit(y)
y = label_encoder.transform(y) return train_test_split(X, y, test_size=0.33, random_state=123)
X_train, X_test, y_train, y_test = gen_data()模型
接著，我們使用 scikit-learn 的 RandomForest 和 LogisticRegression 來處理分類。
RandomForest：
from sklearn.ensemble import RandomForestClassifierdef random_forest(X_train: pd.DataFrame,
y_train: pd.Series,
verbose: bool = False,
**kw):model = RandomForestClassifier(verbose=verbose, **kw)
model.fit(X_train, y_train)return model接著，我們生成供 RandomForest 使用的超參，我們用 yield 的方式來迭代返回。
def gen_random_forest_parameters():for n_estimators in [50, 100, 600]:for max_depth in [None, 3, 15]:for criterion in [gini , entropy]:yield { n_estimators : n_estimators, max_depth : max_depth, criterion : criterion
}LogisticRegression 也是這個過程。我們先定義模型。
from sklearn.linear_model import LogisticRegressiondef logistic_regression(X_train: pd.DataFrame,
y_train: pd.Series,
verbose: bool = False,
**kw):model = LogisticRegression(verbose=verbose, **kw)
model.fit(X_train, y_train)return model接著生成供 LogisticRegression 使用的超參。
def gen_lr_parameters():for penalty in [ l2 , none]:for tol in [0.1, 0.01, 1e-4]:yield { penalty : penalty, tol : tol
}XGBoost 也是一樣，我們用 XGBClassifier 來執行分類任務。
from xgboost import XGBClassifierdef xgb(X_train: pd.DataFrame,
y_train: pd.Series,
verbose: bool = False,
**kw):model = XGBClassifier(verbosity=int(verbose), **kw)
model.fit(X_train, y_train)return model生成一系列超參。
def gen_xgb_parameters():for n_estimators in [100, 600]:for criterion in [gini , entropy]:for learning_rate in [0.001, 0.1, 0.5]:yield { n_estimators : n_estimators, criterion : criterion, learning_rate : learning_rate
}驗證
接著我們編寫驗證邏輯，這里我們使用 log_loss 來作為評價函數。
from sklearn.metrics import log_lossdef metric_model(model,
X_test: pd.DataFrame,
y_test: pd.Series) - float:if isinstance(model, bytes):
model = pickle.loads(model)
y_pred = model.predict_proba(X_test)return log_loss(y_test, y_pred)def train_and_metric(train_func,
train_params: dict,
X_train: pd.DataFrame,
y_train: pd.Series,
X_test: pd.DataFrame,
y_test: pd.Series,
verbose: bool = False
):# 把訓練和驗證封裝到一起 model = train_func(X_train, y_train, verbose=verbose, **train_params)
metric = metric_model(model, X_test, y_test)return model, metric找出最好的模型
做好準備工作后，我們就開始來跑模型了。針對每個模型，我們把每次生成的超參們送進去訓練，除了這些超參，我們還把 n_jobs 設成 -1，這樣能更好利用單機的多核。
results = []# -------------# Random Forest# -------------for params in gen_random_forest_parameters():
print(f calculating on {params} )# fixed random_stateparams[random_state] = 123# use all CPU coresparams[n_jobs] = -1model, metric = train_and_metric(random_forest, params,
X_train, y_train,
X_test, y_test)
print(f metric: {metric} )
results.append({model : model, metric : metric})
# -------------------# Logistic Regression# -------------------for params in gen_lr_parameters():
print(f calculating on {params} )# fixed random_stateparams[random_state] = 123# use all CPU coresparams[n_jobs] = -1model, metric = train_and_metric(logistic_regression, params,
X_train, y_train,
X_test, y_test)
print(f metric: {metric} )
results.append({model : model, metric : metric})
# -------# XGBoost# -------for params in gen_xgb_parameters():
print(f calculating on {params} )# fixed random_stateparams[random_state] = 123# use all CPU coresparams[n_jobs] = -1model, metric = train_and_metric(xgb, params,
X_train, y_train,
X_test, y_test)
print(f metric: {metric} )
results.append({model : model, metric : metric})運行一下，需要相當長時間，我們省略掉一部分輸出內容。
calculating on {n_estimators : 50, max_depth : None, criterion : gini}
metric: 0.6964123781828575calculating on {n_estimators : 50, max_depth : None, criterion : entropy}
metric: 0.6912312790832288# 省略其他模型的輸出結果 CPU times: user 3h 41min 53s, sys: 2min 34s, total: 3h 44min 28s
Wall time: 31min 44s從 CPU 時間和 Wall 時間，能看出來這些訓練還是充分利用了多核的性能。但整個過程還是花費了 31 分鐘。
使用 Remote API 分布式加速
現在我們嘗試使用 Remote API 通過分布式方式加速整個過程。
集群方面，我們使用最開始說的第三種方式，直接在 MaxCompute 上拉起一個集群。大家可以選擇其他方式，效果是一樣的。
n_cores = 8mem = 2 * n_cores # 16G# o 是 MaxCompute 入口，這里創建 10 個 worker 的集群，每個 worker 8 核 16Gcluster = o.create_mars_cluster(10, n_cores, mem, image= extended)為了方便在分布式讀取數據，我們對數據處理稍作改動，把數據上傳到 MaxCompute 資源。對于其他環境，用戶可以考慮 HDFS、Aliyun OSS 或者 Amazon S3 等存儲。
if not o.exist_resource(otto_train.csv):with open(otto/train.csv) as f:# 上傳資源 o.create_resource(otto_train.csv , file , fileobj=f)
def gen_data():# 改成從資源讀取 df = pd.read_csv(o.open_resource( otto_train.csv))
X = df.drop([target , id], axis=1)
y = df[target]
label_encoder = LabelEncoder()
label_encoder.fit(y)
y = label_encoder.transform(y) return train_test_split(X, y, test_size=0.33, random_state=123)稍作改動之后，我們使用 mars.remote.spawn 方法來讓 gen_data 調度到集群上運行。
import mars.remote as mr# n_output 說明是 4 輸出 # execute() 執行后，數據會讀取到 Mars 集群內部 data = mr.ExecutableTuple(mr.spawn(gen_data, n_output=4)).execute()# remote_ 開頭的都是 Mars 對象，這時候數據在集群內，這些對象只是引用 remote_X_train, remote_X_test, remote_y_train, remote_y_test = data目前 Mars 能正確序列化 numpy ndarray、pandas DataFrame 等，還不能序列化模型，所以，我們要對 train_and_metric 稍作改動，把模型 pickle 了之后再返回。
def distributed_train_and_metric(train_func,
train_params: dict,
X_train: pd.DataFrame,
y_train: pd.Series,
X_test: pd.DataFrame,
y_test: pd.Series,
verbose: bool = False
):model, metric = train_and_metric(train_func, train_params,
X_train, y_train,
X_test, y_test, verbose=verbose)return pickle.dumps(model), metric后續 Mars 支持了序列化模型后可以直接 spawn 原本的函數。
接著我們就對前面的執行過程稍作改動，把函數調用全部都用 mars.remote.spawn 來改寫。
import numpy as np
tasks = []
models = []
metrics = []# -------------# Random Forest# -------------for params in gen_random_forest_parameters():# fixed random_stateparams[random_state] = 123task = mr.spawn(distributed_train_and_metric,
args=(random_forest, params,
remote_X_train, remote_y_train,
remote_X_test, remote_y_test),
kwargs={verbose : 2},
n_output=2)
tasks.extend(task)# 把模型和評價分別存儲 models.append(task[0])
metrics.append(task[1])
# -------------------# Logistic Regression# -------------------for params in gen_lr_parameters():# fixed random_stateparams[ random_state] = 123task = mr.spawn(distributed_train_and_metric,
args=(logistic_regression, params,
remote_X_train, remote_y_train,
remote_X_test, remote_y_test),
kwargs={verbose : 2},
n_output=2)
tasks.extend(task)# 把模型和評價分別存儲 models.append(task[0])
metrics.append(task[1])# -------# XGBoost# -------for params in gen_xgb_parameters():# fixed random_stateparams[ random_state] = 123# 再指定并發為核的個數 params[n_jobs] = n_cores
task = mr.spawn(distributed_train_and_metric,
args=(xgb, params,
remote_X_train, remote_y_train,
remote_X_test, remote_y_test),
kwargs={verbose : 2},
n_output=2)
tasks.extend(task)# 把模型和評價分別存儲 models.append(task[0])
metrics.append(task[1])# 把順序打亂，目的是能分散到 worker 上平均一點 shuffled_tasks = np.random.permutation(tasks)
_ = mr.ExecutableTuple(shuffled_tasks).execute()可以看到代碼幾乎一致。
運行查看結果：
CPU times: user 69.1 ms, sys: 10.9 ms, total: 80 ms
Wall time: 1min 59s時間一下子從 31 分鐘多來到了 2 分鐘，提升 15x+。但代碼修改的代價可以忽略不計。
細心的讀者可能注意到了，分布式運行的代碼中，我們把模型的 verbose 給打開了，在分布式環境下，因為這些函數遠程執行，打印的內容只會輸出到 worker 的標準輸出流，我們在客戶端不會看到打印的結果，但 Mars 提供了一個非常有用的接口來讓我們查看每個模型運行時的輸出。
以第 0 個模型為例，我們可以在 Mars 對象上直接調用 fetch_log 方法。
print(models[0].fetch_log())輸出我們簡略一部分。
building tree 1 of 50building tree 2 of 50building tree 3 of 50building tree 4 of 50building tree 5 of 50building tree 6 of 50# 中間省略 building tree 49 of 50building tree 50 of 50要看哪個模型都可以通過這種方式。試想下，如果沒有 fetch_log API，你確想看中間過程的輸出有多麻煩。首先這個函數在哪個 worker 上執行，不得而知；然后，即便知道是哪個 worker，因為每個 worker 上可能有多個函數執行，這些輸出就可能混雜在一起，甚至被龐大日志淹沒了。fetch_log 接口讓用戶不需要關心在哪個 worker 上執行，也不用擔心日志混合在一起。
想要了解 fetch_log 接口，可以查看 文檔。
“如何使用 Mars Remote API 執行 Python 函數”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注丸趣 TV 網站，丸趣 TV 小編將為大家輸出更多高質量的實用文章！
