在本章的第2、3节介绍了使用Alink提供的深度学习组件KerasSequentialClassifier和KerasSequentialRegressor进行分类和回归模型的训练、预测。
实际应用中，经常需要使用TensorFlow或着PyTorch训练好的模型，对流式数据、批式数据进行预测。Alink提供了相应的流式、批式和Pipeline组件适配TensorFlow或着PyTorch模型。
本节重点介绍与TensorFlow模型相关的操作。

25.4.1 生成TensorFlow模型

本节所需的TensorFlow模型压缩文件mnist_model_tf.zip，已经被放到了OSS上，本节后面的实验会直接从网络读取该模型。https://alink-release.oss-cn-beijing.aliyuncs.com/data-files/mnist_model_tf.zip

如果读者有兴趣，可以在TensorFlow环境，运行下面代码便可生成TensorFlow模型，从而被Alink相关组件使用。注意：TensorFlow模型执行完save操作会被保存到一个文件夹，需要将其压缩为zip文件，便于Alink相关组件导入模型。建议的压缩示例代码在下面代码的最后部分。

  1. import tensorflow as tf
  2. from tensorflow import keras
  4. mnist = keras.datasets.mnist
  6. (train_images, train_labels), (test_images, test_labels) = mnist.load_data()
  8. test_images,train_images = test_images.reshape((10000,28,28,1)),train_images.reshape(60000,28,28,1)
  9. test_images,train_images = test_images/255.0,train_images/255.0
  10. model = tf.keras.models.Sequential([
  11.     tf.keras.layers.Conv2D(20,(5,5),padding="SAME",activation="relu"),
  12.     tf.keras.layers.MaxPool2D(2,2,padding="SAME"),
  13.     tf.keras.layers.Conv2D(40,(5,5),padding="SAME",activation="relu"),
  14.     tf.keras.layers.MaxPool2D(2, 2,padding="SAME"),
  15.     tf.keras.layers.Flatten(),
  16.     tf.keras.layers.Dense(512,activation="relu"),
  17.     tf.keras.layers.Dense(10,activation="softmax")
  18. ])
  19. model.compile(optimizer='adam',
  20.               loss='sparse_categorical_crossentropy',
  21.               metrics=['accuracy'])
  23. model.fit(train_images,train_labels,epochs=5)
  24. test_loss, test_acc = model.evaluate(test_images, test_labels)
  25. print(test_loss)
  26. print(test_acc)
  28. dir_name = "mnist_model_tf"
  29. model.save(dir_name)
  31. import shutil
  32. shutil.make_archive(base_name=dir_name, format='zip', root_dir=dir_name)

该段脚本的执行输出如下，测试集上预测精确率为98.75%.

  1. Train on 60000 samples
  2. Epoch 1/5
  3. 60000/60000 [==============================] - 5s 75us/sample - loss: 0.1095 - accuracy: 0.9660
  4. Epoch 2/5
  5. 60000/60000 [==============================] - 4s 70us/sample - loss: 0.0376 - accuracy: 0.9883
  6. Epoch 3/5
  7. 60000/60000 [==============================] - 4s 70us/sample - loss: 0.0255 - accuracy: 0.9917
  8. Epoch 4/5
  9. 60000/60000 [==============================] - 4s 70us/sample - loss: 0.0176 - accuracy: 0.9942
  10. Epoch 5/5
  11. 60000/60000 [==============================] - 4s 70us/sample - loss: 0.0140 - accuracy: 0.9951
  12. 10000/10000 [==============================] - 1s 59us/sample - loss: 0.0473 - accuracy: 0.9875
  13. 0.0473310407480522
  14. 0.9875

25.4.2 批式任务中使用TensorFlow模型

使用TFSavedModelPredictBatchOp组件，可以加载TF模型进行批式预测。关于该组件的详细说明参见Alink文档 https://www.yuque.com/pinshu/alink_doc/tfsavedmodelpredictbatchop .
由于TensorFlow模型训练前对每个数据都除以255，所以批式任务也要执行此操作，可以使用VectorFunctionBatchOp组件，设置函数名称(FuncName)为”Scale”，系数为1.0 / 255.0。另外，使用TensorFlow模型前，还需要将输入数据列的类型转换为Tensor格式，可以使用VectorToTensorBatchOp组件。具体代码如下所示：

  1. AkSourceBatchOp()\
  2.     .setFilePath(Chap13_DATA_DIR + Chap13_DENSE_TEST_FILE)\
  3.     .link(\
  4.         VectorFunctionBatchOp()\
  5.             .setSelectedCol("vec")\
  6.             .setFuncName("Scale")\
  7.             .setWithVariable(1.0 / 255.0)
  8.     )\
  9.     .link(\
  10.         VectorToTensorBatchOp()\
  11.             .setTensorDataType("float")\
  12.             .setTensorShape([1, 28, 28, 1])\
  13.             .setSelectedCol("vec")\
  14.             .setOutputCol("input_1")\
  15.             .setReservedCols(["label"])
  16.     )\
  17.     .link(\
  18.         TFSavedModelPredictBatchOp()\
  19.             .setModelPath("https://alink-release.oss-cn-beijing.aliyuncs.com/data-files/mnist_model_tf.zip")\
  20.             .setSelectedCols(["input_1"])\
  21.             .setOutputSchemaStr("output_1 FLOAT_TENSOR")\
  22.     )\
  23.     .lazyPrint(3)\
  24.     .link(\
  25.         UDFBatchOp()\
  26.             .setFunc(get_max_index)
  27.             .setSelectedCols(["output_1"])
  28.             .setOutputCol("pred")
  29.     )\
  30.     .lazyPrint(3)\
  31.     .link(\
  32.         EvalMultiClassBatchOp()\
  33.             .setLabelCol("label")\
  34.             .setPredictionCol("pred")\
  35.             .lazyPrintMetrics()
  36.     )
  38. BatchOperator.execute()

这里用到了一个自定义函数，具体定义如下：

  1. import numpy as np
  3. @udf(input_types=[AlinkDataTypes.TENSOR()], result_type=AlinkDataTypes.INT()) 
  4. def get_max_index(tensor: np.ndarray):
  5.     return tensor.argmax().item()

批式任务的运行结果为：
image.png

  1. -------------------------------- Metrics: --------------------------------
  2. Accuracy:0.9917    Macro F1:0.9917    Micro F1:0.9917    Kappa:0.9908    
  3. |Pred\Real|  9|  8|   7|...|   2|   1|  0|
  4. |---------|---|---|----|---|----|----|---|
  5. |        9|995|  2|   1|...|   0|   0|  0|
  6. |        8|  4|965|   1|...|   1|   2|  0|
  7. |        7|  2|  0|1019|...|   8|   1|  1|
  8. |      ...|...|...| ...|...| ...| ...|...|
  9. |        2|  0|  2|   3|...|1022|   1|  0|
  10. |        1|  0|  0|   2|...|   1|1127|  0|
  11. |        0|  0|  1|   1|...|   0|   0|976|

25.4.3 流式任务中使用TensorFlow模型

使用TFSavedModelPredictStreamOp组件，可以加载TF模型进行批式预测。关于该组件的详细说明参见Alink文档 https://www.yuque.com/pinshu/alink_doc/tfsavedmodelpredictstreamop .
由于TensorFlow模型训练前对每个数据都除以255，所以流式任务也要执行此操作，可以使用VectorFunctionStreamOp组件，设置函数名称(FuncName)为”Scale”，系数为1.0 / 255.0。另外，使用TensorFlow模型前，还需要将输入数据列的类型转换为Tensor格式，可以使用VectorToTensorStreamOp组件。具体代码如下所示：

  1. AkSourceStreamOp()\
  2.     .setFilePath(Chap13_DATA_DIR + Chap13_DENSE_TEST_FILE)\
  3.     .link(\
  4.         VectorFunctionStreamOp()\
  5.             .setSelectedCol("vec")\
  6.             .setFuncName("Scale")\
  7.             .setWithVariable(1.0 / 255.0)
  8.     )\
  9.     .link(\
  10.         VectorToTensorStreamOp()\
  11.             .setTensorDataType("float")\
  12.             .setTensorShape([1, 28, 28, 1])\
  13.             .setSelectedCol("vec")\
  14.             .setOutputCol("input_1")\
  15.             .setReservedCols(["label"])
  16.     )\
  17.     .link(\
  18.         TFSavedModelPredictStreamOp()\
  19.             .setModelPath("https://alink-release.oss-cn-beijing.aliyuncs.com/data-files/mnist_model_tf.zip")\
  20.             .setSelectedCols(["input_1"])\
  21.             .setOutputSchemaStr("output_1 FLOAT_TENSOR")
  22.     )\
  23.     .link(\
  24.         UDFStreamOp()\
  25.             .setFunc(get_max_index)\
  26.             .setSelectedCols(["output_1"])\
  27.             .setOutputCol("pred")
  28.     )\
  29.     .sample(0.001)\
  30.     .print()
  32. StreamOperator.execute()

运行结果为：
image.png

25.4.4 Pipeline中使用TensorFlow模型

学习了如何在批式任务和流式任务中使用TensorFlow模型，我们很容易在Pipeline中使用TensorFlow模型进行预测，只要将其中的批式/流式组件对应到Pipeline组件即可。具体代码如下：

  1. PipelineModel(\
  2.     VectorFunction()\
  3.         .setSelectedCol("vec")\
  4.         .setFuncName("Scale")\
  5.         .setWithVariable(1.0 / 255.0),\
  6.     VectorToTensor()\
  7.         .setTensorDataType("float")\
  8.         .setTensorShape([1, 28, 28, 1])\
  9.         .setSelectedCol("vec")\
  10.         .setOutputCol("input_1")\
  11.         .setReservedCols(["label"]),\
  12.     TFSavedModelPredictor()\
  13.         .setModelPath("https://alink-release.oss-cn-beijing.aliyuncs.com/data-files/mnist_model_tf.zip")\
  14.         .setSelectedCols(["input_1"])\
  15.         .setOutputSchemaStr("output_1 FLOAT_TENSOR")\
  16. ).save(Chap13_DATA_DIR + PIPELINE_TF_MODEL, True)
  17. BatchOperator.execute()
  19. PipelineModel\
  20.     .load(Chap13_DATA_DIR + PIPELINE_TF_MODEL)\
  21.     .transform(\
  22.         AkSourceStreamOp()\
  23.             .setFilePath(Chap13_DATA_DIR + Chap13_DENSE_TEST_FILE)
  24.     )\
  25.     .link(\
  26.         UDFStreamOp()\
  27.             .setFunc(get_max_index)\
  28.             .setSelectedCols(["output_1"])\
  29.             .setOutputCol("pred")
  30.     )\
  31.     .sample(0.001)\
  32.     .print()
  33. StreamOperator.execute()

运行结果为：
image.png

25.4.5 LocalPredictor中使用TensorFlow模型

除了通过Alink任务使用TensorFlow模型，也可以使用LocalPredictor进行嵌入式预测。示例代码如下，首先从数据集中抽取一行数据，输入数据的SchemaStr为“vec string, label int”；然后通过导入上一节保存的Pipeline模型，并设置输入数据的SchemaStr，得到LocalPredictor类型的实例localPredictor；如果不确定预测结果各列的含义，可以打印输出localPredictor的OutputSchema；使用localPredictor的map方法获得预测结果。

  1. source = AkSourceBatchOp().setFilePath(Chap13_DATA_DIR + Chap13_DENSE_TEST_FILE)
  3. print(source.getSchemaStr())
  5. df = source.firstN(1).collectToDataframe()
  7. row = [df.iat[0,0], df.iat[0,1].item()]
  9. localPredictor = LocalPredictor(Chap13_DATA_DIR + PIPELINE_TF_MODEL, "vec string, label int")
  11. print(localPredictor.getOutputSchemaStr())
  13. r = localPredictor.map(row)
  14. print(str(r[0]) + " | " + str(r[2]))

运行结果为：

  1. vec VARCHAR, label INT
  2. label INT, input_1 ANY<com.alibaba.alink.common.linalg.tensor.FloatTensor>, output_1 ANY<com.alibaba.alink.common.linalg.tensor.FloatTensor>
  3. 2 | FloatTensor(1,10)
  4. [[1.9372295E-11 4.4042978E-10 1.0 ... 9.506602E-13 3.3328297E-14 3.0861563E-15]]