如何从 TFX BulkInferrer 获取数据帧或数据库写入？

Question

我对 TFX 很陌生，但有一个明显有效的 ML 管道，可通过BulkInferrer 使用。这似乎只以 Protobuf 格式生成输出，但由于我正在运行批量推理，我想将结果通过管道传输到数据库。（DB 输出似乎应该是批量推理的默认值，因为批量推理和 DB 访问都利用了并行化......但 Protobuf 是一种每条记录的序列化格式。）

我假设我可以使用Parquet-Avro-Protobuf 之类的东西来进行转换（尽管这是在 Java 中，而管道的其余部分在 Python 中），或者我可以自己编写一些东西来逐一使用所有 protobuf 消息，进行转换将它们转换为 JSON，将 JSON 反序列化为一个 dict 列表，然后将 dict 加载到 Pandas DataFrame 中，或者将其存储为一堆键值对，我将其视为一次性数据库……但这听起来像是对于一个非常常见的用例，涉及并行化和优化的大量工作和痛苦。顶级 Protobuf 消息定义是 Tensorflow 的PredictionLog。

这一定是一个常见的用例，因为像这样的TensorFlowModelAnalytics 函数使用 Pandas DataFrames。我宁愿能够直接写入数据库（最好是 Google BigQuery）或 Parquet 文件（因为 Parquet / Spark 似乎比 Pandas 并行化得更好），而且，这些似乎应该是常见用例，但我没有找到任何例子。也许我使用了错误的搜索词？

我还查看了PredictExtractor，因为“提取预测”听起来接近我想要的......但官方文档似乎没有说明应该如何使用该类。我认为TFTransformOutput听起来像是一个有前途的动词，但实际上它是一个名词。

我显然在这里遗漏了一些基本的东西。有没有人想将 BulkInferrer 结果存储在数据库中的原因？是否有允许我将结果写入数据库的配置选项？也许我想向TFX 管道添加ParquetIO或BigQueryIO实例？（TFX 文档说它在“幕后”中使用了 Beam，但这并没有说明我应该如何将它们一起使用。）但是这些文档中的语法看起来与我的 TFX 代码完全不同，我不确定它们是否“重新兼容？

帮助？

Answer 1

（从相关问题复制以获得更高的可见性）

feature_spec经过一番挖掘，这里有一种替代方法，它假设事先不了解任何情况。请执行下列操作：

• 设置BulkInferrer要写入的内容output_examples，而不是通过将output_example_specinference_result添加到组件构造中。
• 在主管道中添加一个 StatisticsGen和 一个组件，以便为上述内容生成模式SchemaGenBulkInferreroutput_examples
• SchemaGen使用和中的工件BulkInferrer读取 TFRecords 并执行任何必要的操作。

bulk_inferrer = BulkInferrer(
     ....
     output_example_spec=bulk_inferrer_pb2.OutputExampleSpec(
         output_columns_spec=[bulk_inferrer_pb2.OutputColumnsSpec(
             predict_output=bulk_inferrer_pb2.PredictOutput(
                 output_columns=[bulk_inferrer_pb2.PredictOutputCol(
                     output_key='original_label_name',
                     output_column='output_label_column_name', )]))]
     ))

 statistics = StatisticsGen(
     examples=bulk_inferrer.outputs.output_examples
 )

 schema = SchemaGen(
     statistics=statistics.outputs.output,
 )

之后，可以执行以下操作：

import tensorflow as tf
from tfx.utils import io_utils
from tensorflow_transform.tf_metadata import schema_utils

# read schema from SchemaGen
schema_path = '/path/to/schemagen/schema.pbtxt'
schema_proto = io_utils.SchemaReader().read(schema_path)
spec = schema_utils.schema_as_feature_spec(schema_proto).feature_spec

# read inferred results
data_files = ['/path/to/bulkinferrer/output_examples/examples/examples-00000-of-00001.gz']
dataset = tf.data.TFRecordDataset(data_files, compression_type='GZIP')

# parse dataset with spec
def parse(raw_record):
    return tf.io.parse_example(raw_record, spec)

dataset = dataset.map(parse)

此时，数据集就像任何其他已解析的数据集一样，因此编写 CSV、BigQuery 表或其他任何内容都很简单。它确实对我们在ZenML中的 BatchInferencePipeline有所帮助。