Ray是一个开源分布式框架，用于轻松运行新兴AI应用程序，例如深度强化学习和自动化机器学习。BigDL通过RayOnSpark将Ray无缝集成到大数据预处理管道中，并已用于为AutoML和Chronos等特定领域构建多个高级端到端AI应用程序。RayOnSpark在大数据集群（例如，Apache Hadoop*或Kubernetes*集群）上的Apache Spark之上运行Ray程序，因此，内存中DataFrame等对象可以直接流式传输到Ray应用程序中，用于高级AI应用程序。借助RayOnSpark，用户可以在生产环境中在现有的大数据集群上直接试用各种新兴的AI应用。此外，它还允许Ray应用程序无缝集成到大数据处理管道中，并直接在内存中的DataFrame上运行。

图 1：RayOnSpark架构

图1说明了RayOnSpark的架构。在Spark实现中，Spark程序在驱动节点上运行，并创建一个带有SparkContext对象的SparkSession，负责在集群上启动多个Spark执行程序以运行Spark作业。在RayOnSpark中，Spark驱动程序额外创建了一个RayContext对象，该对象将自动启动Ray进程以及跨同一集群的每个Spark执行程序。RayContext还将在每个Spark执行器内部创建一个RayManager来管理Ray进程（例如，当程序退出时自动关闭进程）。下面的代码块演示了用户如何在初始化RayOnSpark后直接在标准Spark应用程序中编写Ray代码。


import ray
from bigdl.orca import init_orca_context
from bigdl.orca.ray import RayContext
 
# Initialize SparkContext on the underlying cluster (e.g. the Hadoop/Yarn cluster)
sc = init_orca_context(cluster_mode="yarn", cores=...,memory=...,num_nodes=...)
# Initialize RayContext and launch Ray under the same cluster.
ray_ctx = RayContext(sc, object_store_memory=...,...)
ray_ctx.init()
 
@ray.remote
class Counter(object)
   def __init__(self):
      self.n = 0
   def increment(self):
      self.n += 1
      return self.n
 
# The Ray actors are created across the big data cluster
counters = [Counter.remote() for i in range(5)]
ray.get([c.increment.remote() for c in counters])
ray_ctx.stop()
sc.stop()

图 2：RayOnSpark 的示例代码

AutoML(orca.automl)：使用Ray Tune轻松调整AI应用程序

超参数优化(HPO)对于数据科学家在机器学习或深度学习模型的准确性、性能等方面实现其目标非常重要。但是，手动HPO调整可能是一个耗时的过程，其结果可能优化得不够彻底。另一方面，分布式环境中的HPO可能难以实现。BigDL引入了建立在Ray Tune之上的AutoML功能（通过orca.automl），让数据科学家的生活更轻松。

什么是orca.automl？

在许多情况下，数据科学家更愿意在他们的笔记本电脑上对他们的AI应用程序进行原型设计、调试和调整，如果可以将相同的代码原封不动地移动到集群中并直接运行，它将大大提高端到端的生产力。

BigDL的Orca项目帮助用户将他们的代码从笔记本电脑无缝扩展到大数据集群。此外，BigDL的orca.automl还利用了RayOnSpark和Ray Tune，并提供了一个名为AutoEstimator的分布式超参数调优API 。由于Ray Tune与框架无关，因此AutoEstimator适用于PyTorch和TensorFlow模型。用户可以在他们的笔记本电脑、本地服务器、K8s集群、Hadoop/YARN集群等上以一致的方式调整他们的模型。

借助这些功能，BigDL中的orca.automl可用于自动探索许多AI应用程序的搜索空间（包括模型、超参数等）。例如，我们使用BigDL的orca.automl实现了AutoXGBoost（带有HPO的XGBoost）来自动拟合和优化XGBoost模型。与Nvidia A100上的类似解决方案相比，使用AutoXGBoost进行训练的速度提高了约1.7倍，并且最终模型更准确。请在博客中查看更多信息。您还可以参考orca.automl用户指南了解设计细节，并参考AutoXGBoost快速入门或任意模型的Auto Tuning以获得动手实践知识。

Chronos：使用AutoTS on Ray构建自动时间序列分析

我们还开发了一个用于自动时间序列分析的框架，称为Project Chronos。orca.automl用于在自动分析期间调整超参数。

为什么我们需要Chronos？

时间序列（TS）分析现在广泛应用于许多现实世界的应用中（例如电信中的网络质量分析、数据中心运营的日志分析、高价值设备的预测性维护等），并且越来越重要。准确的预测和检测已成为最受追捧的任务，并被证明是对传统方法的巨大挑战。深度学习方法通常将时间序列预测和检测视为序列建模问题，并且最近已成功应用于这些问题。

另一方面，构建用于时间序列预测/检测的机器学习应用程序可能是一个费力且知识密集的过程。超参数设置、预处理和特征工程都可能成为专用深度学习模型的瓶颈。为了提供高效、强大且易于使用的时间序列分析工具包，我们推出了Project Chronos，这是一个用于构建大规模时间序列分析应用程序的框架。这可用于应用AutoML和分布式训练，因为它建立在Ray Tune、Ray Train和RayOnSpark之上。

Chronos架构介绍

Chronos具有多个(10+)内置深度学习和机器学习模型，用于时间序列预测、检测和模拟，以及许多(70+)数据处理和特征工程实用程序。用户可以自己调用独立的算法和模型（预测器、检测器、模拟器）以获得最高的灵活性，或者使用我们高度集成、可扩展和自动化的时间序列工作流程(AutoTS)。推理过程也以多种方式进行了优化，包括集成ONNX runtimec。

下图说明了基于BigDL和Ray的Chronos架构。本节重点介绍AutoTS组件。AutoTS框架使用Ray Tune作为超参数搜索引擎（在RayOnSpark之上运行）。对于自动数据处理，搜索引擎为预测任务选择最佳回溯值。对于自动特征工程，搜索引擎从由各种特征生成工具（例如，tsfresh）自动生成的一组特征中选择最好的特征子集。对于自动建模，搜索引擎会搜索超参数，例如隐藏的暗淡、学习率等。

图 3：Project Chronos 架构

AutoTS工作流程的Chronos动手示例

下面的代码说明了使用Chronos友好且高度集成的AutoTS工作流的时间序列预测管道的训练和推理过程。这个特定的工作流程利用简单直接的API TSDataset来进行一些典型的时间序列处理（例如，插补、缩放等）和特征生成。


import pandas as pd
from sklearn.preprocessing import StandardScaler
from bigdl.chronos.data import TSDataset
 
# data initialization and split
df = pd.read_csv("table.csv")
tsdata_train, tsdata_val, tsdata_test = TSDataset.from_pandas(df,
                      dt_col="StartTime", 
                      target_col="AvgRate",
                      with_split=True,
                      val_ratio=0.1)
 
# data processing and feature engineering
standard_scaler = StandardScaler()
for tsdata in [tsdata_train, tsdata_val, tsdata_test]:
   tsdata.gen_dt_feature()\
         .impute(mode="last")\
         .scale(standard_scaler, fit=(tsdata is tsdata_train))

然后用户可以通过说明模型（内置模型名称/第3方模型的模型创建功能）、回溯和地平线来进行AutoTSEstimator初始化。在AutoTSEstimator Ray Tune之上运行搜索程序；每次运行一次生成多个试验（每个试验具有不同的超参数和特征子集的组合），并将试验分布在Ray集群中。在所有试验完成后，根据目标指标检索最佳超参数集、优化模型和数据处理过程，用于构成结果TSPipeline。


from bigdl.chronos.autots import AutoTSEstimator
import bigdl.orca.automl.hp as hp
 
# create a AutoTSEstimator
auto_estimator = AutoTSEstimator(model='tcn',
                                 past_seq_len=hp.randint(50,100),
                                 future_seq_len=1)
 
# fit on the AutoTSEstimator with HPO, auto feature, past_seq_len selector
ts_pipeline = auto_estimator.fit(data=tsdata_train,
                                 validation_data=tsdata_val)

TSPipeline可用于预测、评估和增量拟合。


# predict/evaluate with TSPipeline
y_pred = ts_pipeline.predict(tsdata_test)
test_mse = ts_pipeline.evaluate(tsdata_test, metrics = ['mse'])

有关详细信息，Chronos用户指南是一个很好的起点。

使用Chronos AutoTS 进行5G网络时间序列分析

Chronos已在许多领域得到广泛采用，例如电信和AIOps。Capgemini Engineering在其5G媒体访问控制器(MAC)中利用Chronos AutoML工作流程和推理优化来实现认知能力，作为智能到RAN控制器节点的一部分。在他们的任务中，Chronos用于预测UE的移动性，以帮助MAC调度器在2个关键KPI上进行有效的链路自适应。借助Chronos AutoTS，Capgemini工程师将他们的模型更改为我们内置的TCN模型并扩大了回溯值，从而成功地将AI准确率提高了55%。详细信息请参阅白皮书。

结论

在本文中，我们介绍了BigDL如何利用Ray及其库为大数据构建可扩展的AI应用程序（使用RayOnSpark）、提高端到端AI开发效率（在RayTune之上使用AutoML）以及构建特定领域的AI使用使用项目Chronos进行自动时间序列分析等案例。BigDL在其他方面也采用了Ray，例如在BigDL Orca项目中使用了Ray Train，以在大型数据集群中无缝扩展单节点Python notebook。我们还在探索其他用例，例如推荐系统、强化学习等，它们将利用基于Ray构建的AutoML功能。

本文最初发布于Anyscale - From Ray to Chronos: Build end-to-end AI use cases using BigDL on top of Ray

https://www.codeproject.com/Articles/5330192/From-Ray-to-Chronos-Build-end-to-end-AI-use-cases

声明：本文内容由网友自发贡献，转载请注明出处：【wpsshop博客】