[英]Azure databricks PySpark custom UDF ModuleNotFoundError: No module named
[英]Parallelize MLflow Project runs with Pandas UDF on Azure Databricks Spark
我正在嘗試在 Azure Databricks 上使用 Spark 並行化多個時間序列的訓練。
除了培訓,我還想使用 MLflow 記錄指標和模型。
代碼結構很簡單(基本上改編了這個例子)。
mlflow.run( uri="/dbfs/mlflow-project", parameters={"data_path": "dbfs:/data/", "experiment_name": "test"}, experiment_id=575501044793272, use_conda=False, backend="databricks", backend_config={ "new_cluster": { "spark_version": "9.1.x-cpu-ml-scala2.12", "num_workers": 8, "node_type_id": "Standard_DS4_v2", }, "libraries": [{"pypi": {"package": "pyarrow"}}] }, synchronous=False )
主叫function 。 它基本上執行三個步驟:
這里的代碼:
sc = sparkContext('local')
spark = SparkSession(sc)
@click.argument("data_path")
@click.argument("experiment_name")
def run(data_path: str, experiment_name: str):
df = spark.read.format("delta").load(f"{data_path}")
result_schema = StructType([StructField("key", StringType())])
def forecast(data: pd.DataFrame) -> pd.DataFrame:
child_run = client.create_run(
experiment_id=experiment,
tags={MLFLOW_PARENT_RUN_ID: parent_run_id},
)
p = mlflow.projects.run(
run_id=child_run.info.run_id,
uri=".",
entry_points="train",
parameters={"data": data.to_json(), "run_id": child_run.info.run_id},
experiment_id=experiment,
backend="local",
usa_conda=False,
synchronous=False,
)
# Just a placeholder to use pandas UDF
out = pd.DataFrame(data={"key": ["1"]})
return out
client = MLflowClient()
experiment_path = f"/mlflow/experiments/{experiment_name}"
experiment = client.create_experiment(experiment_path)
parent_run = client.create_run(experiment_id=experiment)
parent_run_id = parent_run.run_id
# Apply pandas UDF (count() used just to avoid lazy evaluation)
df.groupBy("key").applyInPandas(forecast, result_schema).count()
從集群 stderr 和 stdout 我可以看到 pandas UDF 被正確應用,因為它根據“鍵”列正確划分了整個數據,即一次處理一個時間序列。
問題是監控集群使用只使用一個節點,驅動程序節點:工作沒有分布在可用的工作人員上,盡管 pandas UDF 似乎已正確應用。
這里可能是什么問題? 我可以提供更多細節嗎?
非常感謝你,馬特奧
看來您需要重新分區輸入 dataframe。否則 spark 將看到單個分區 dataframe 並進行相應處理。
代碼中,spark-config定義'local'為master節點,所以在partitions上有限制,最多是CPU上的core數。 這降低了使用並行化的好處,從而降低了速度。 為了充分利用並行化提高速度,應調用“yarn”或類似的多節點配置,並相應地對輸入 dataframe 進行重新分區。 在代碼中,每個“點擊”裝飾器都將由驅動程序作為單一作業圖進行處理。
一個類似的問題在
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.