开源机器学习工作流Ploomber

简述

Ploomber 是为数据科学和机器学习构建可靠数据工作流的最简单方法。当你以标准形式提供您的源代码，Ploomber 会自动为您构建工作流。任务可以是 Python 函数、Jupyter Notebook、Python/R/shell 脚本和 SQL 脚本中的任何内容。当你准备就绪后，无需更改代码即可部署到 Airflow 或 Kubernetes（使用 Argo）。

主要特点

集成了Jupyter Notebook。当您打开Notebook时，Ploomber 将自动注入一个新单元格，其中包含从上游变量推断出的输入文件的位置。如果您打开 Python 或 R 脚本，它会立即转换为Notebook。

支持增量构建。通过跳过源代码未更改的任务来加快执行速度。

支持并行化。支持并行运行任务以加快计算速度。

支持工作流测试。在任务执行时，运行测试以验证输出的数据是否具有正确的属性（例如，在预期范围内的值）。

支持工作流调试。使用plumber interact 启动一个的交互式会话来调试您的工作流。调用 dag['task_name'].debug()来启动调试会话。

支持部署到 Kubernetes、AWS Batch 或 Airflow。您可以在本地开发和执行。一旦你准备好部署之后，导出到 Kubernetes、AWS Batch 或 Airflow即可。（注：Ploomber提供了Soopervisor库用于运行Ploomber工作流以进行批处理（大规模训练或批量服务）或在线推理。）

示例

定义任务

首先定义任务，这里的任务是Python脚本。

这个工作流包含3个任务，第一个任务raw.py获取一些数据，第二个任务clean.py清除数据，第三个任务plot.py生成可视化。

ls *.py
clean.py    plot.py     raw.py

以上这三个脚本构成了我们的工作流(或DAG)，它是具有预定义执行顺序的任务集合。

raw.py

"""
Get data
"""
import seaborn as sns# + tags=["parameters"]
upstream = None
product = None
# -# +
df = sns.load_dataset('iris')
df.columns = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'class'
]
df.head()
# -# +
df.to_csv(str(product['data']), index=False)
# -

clean.py

"""
Clean
"""
import pandas as pd# + tags=["parameters"]
upstream = ['raw']
product = None
# -df = pd.read_csv(upstream['raw']['data'])
# data cleaning code...df.to_csv(str(product['data']), index=False)

plot.py

"""
Visualize
"""
# this is an annotated script
import pandas as pd
import seaborn as sns# + tags=["parameters"]
upstream = ["clean"]
product = None
# -df = pd.read_csv(upstream['clean']['data'])sns.distplot(df.sepal_length)sns.distplot(df.sepal_width)df.head()

Ploomber与Jupyter Notebook集成，如果您打开Jupyter Notebook应用程序内的脚本，它们将呈现为notebooks形式。

定义工作流

然后定义工作流，工作流在pipeline.yaml中定义。

pipeline.yaml文件声明我们使用哪些文件作为任务（pipeline.yaml是可选，但它给了您更多的灵活性）。

pipeline.yaml

tasks:- source: raw.pyproduct:nb: output/raw.ipynbdata: output/data.csv- source: clean.pyproduct:nb: output/clean.ipynbdata: output/clean.csv- source: plot.pyproduct: output/plot.ipynb

绘制工作流图

接下来在命令行绘制工作流。

ploomber plot

浏览工作流

ploomber status

输出结果：

name    Last run      Outdated?    Product       Doc (short)    Location
------  ------------  -----------  ------------  -------------  ------------
raw     Has not been  Source code  MetaProduct(                 /home/docs/crun                        {'data': Fil                 heckouts/reae('output/da                 dthedocs.orgta.csv'),                    /user_builds'nb': File('                 /ploomber/choutput/raw.i                 eckouts/projpynb')})                     ects-master/spec-api-python/raw.py
clean   Has not been  Source code  MetaProduct(                 /home/docs/crun           & Upstream   {'data': Fil                 heckouts/reae('output/cl                 dthedocs.orgean.csv'),                   /user_builds'nb': File('                 /ploomber/choutput/clean                 eckouts/proj.ipynb')})                   ects-master/spec-api-python/clean.py
plot    Has not been  Source code  File('output                 /home/docs/crun           & Upstream   /plot.ipynb'                 heckouts/rea)                            dthedocs.org/user_builds/ploomber/checkouts/projects-master/spec-api-python/plot.py

构建一个工作流

然后，运行该工作流。

# output文件件保存输出结果，包括数据和脚本的Notebook
mkdir output
ploomber build

运行结果：

Building task 'raw':   0%|          | 0/3 [00:00<?, ?it/s]
Executing:   0%|          | 0/5 [00:00<?, ?cell/s]
Executing:  20%|██        | 1/5 [00:03<00:14,  3.71s/cell]
Executing: 100%|██████████| 5/5 [00:04<00:00,  1.15cell/s]
Building task 'clean':  33%|███▎      | 1/3 [00:04<00:08,  4.38s/it]
Executing:   0%|          | 0/5 [00:00<?, ?cell/s]
Executing: 100%|██████████| 5/5 [00:01<00:00,  3.91cell/s]
Building task 'plot':  67%|██████▋   | 2/3 [00:05<00:02,  2.56s/it]
Executing:   0%|          | 0/7 [00:00<?, ?cell/s]
Executing:  14%|█▍        | 1/7 [00:01<00:08,  1.35s/cell]
Executing:  71%|███████▏  | 5/7 [00:01<00:00,  4.18cell/s]
Executing: 100%|██████████| 7/7 [00:01<00:00,  3.65cell/s]
Building task 'plot': 100%|██████████| 3/3 [00:07<00:00,  2.53s/it]name    Ran?      Elapsed (s)    Percentage
------  ------  -------------  ------------
raw     True          4.37319       57.5864
clean   True          1.28883       16.9714
plot    True          1.93212       25.4422

更新工作流

如果我们修改了工作流中的任务。我们需要更新工作流，重新执行已更改的任务。

ploomber build

运行结果：

0it [00:00, ?it/s]name    Ran?      Elapsed (s)    Percentage
------  ------  -------------  ------------
raw     False               0             0
clean   False               0             0
plot    False               0             0

从上面可以看到，我们这三个任务都没有再执行，因为，我并没有修改这三个任务。

总结

Ploomber使用约定优于配置的方式。从一开始，您只需在脚本/notebooks中包含两个特殊变量，Ploomber就可以将工作流进行编排执行。为了获得更大的灵活性，您可以使用 YAML 指定您的pipeline。

同时，Ploomber可以使用Jupyter以交互方式开发脚本和notebooks，然后以编程方式执行。