DLFlow是一套深度学习pipeline，它结合了Spark的大规模特征处理能力和Tensorflow模型构建能力。利用DLFlow可以快速处理原始特征、训练模型并进行大规模分布式预测，十分适合离线环境下的生产任务。利用DLFlow，用户只需专注于模型开发，而无需关心原始特征处理、pipeline构建、生产部署等工作。
配置驱动： DLFlow通过配置驱动，修改配置可以快速更换特征、模型超参数、任务流程等等，极大提高工作效率。
模块化结构： 任务和模型以插件形式存在，便于使用和开发，用户可以可以轻地将自定义任务和模型注册到框架内使用。
任务自组织： 通过内置的Workflow框架，根据任务的产出标记自动解决任务依赖，轻松构建深度学习pipeline。
最佳实践： 融入滴滴用户画像团队深度学习离线任务的最佳实践，有效应对离线生产中的多种问题。将Tensorflow和Spark进行合理结合，更适合离线深度学习任务。
首先请确保环境中已经安装和配置Hadoop和Spark，并设置好了基本的环境变量。
- Tensorflow访问HDFS
为了能够使用让Tensorflow访问HDFS，需要确保如下环境变量生效：
# 确保libjvm.so被添加到LD_LIBRARY_PATH
export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:${JAVA_HOME}/jre/lib/amd64/server
# 确保hadoop jars被添加到CLASSPATH
export CLASSPATH=${CLASSPATH}:$(hadoop classpath --glob)关于Tensorflow访问HDFS更多内容请参见 TensorFlow on Hadoop。
- Spark读写TFReocrds
# Clone tensorflow/ecosystem项目
git clone https://github.com/tensorflow/ecosystem.git
cd ecosystem/spark/spark-tensorflow-connector/
# 构建spark-tensorflow-connector
mvn versions:set -DnewVersion=1.14.0
mvn clean install项目构建后生成 target/spark-tensorflow-connector_2.11-1.14.0.jar，后续需要确保该jar被添加到
spark.jars 中。
关于Spark读写TFRecoreds更多内容请参见 spark-tensorflow-connector。
通过pip安装：
pip install dlflow
通过源代码安装：
git clone https://github.com/didi/dlflow.git
cd dlflow
python setup.py install
- 配置文件
运行配置可参考 conf 目录中的配置。
关于配置详情请参考 配置说明。
- 以模块运行
python -m dlflow.main --config <CONFIGURATION FILE>.conf- 以脚本运行
确保python环境的 bin 目录已经被添加到环境变量 PATH 中
export PATH=$PATH:/usr/local/python/bin之后通过如下命令运行
dlflow --config <CONFIGURATION FILE>.conf
更详细的使用参见 使用说明。
| 预定义任务 | 描述 |
|---|---|
| Merge | 特征融合任务，请参见 特征融合 |
| Encode | 解析原始特征，对特征进行编码和预处理，生成能够直接输入模型的特征 |
| Train | 模型训练任务 |
| Evaluate | 模型评估任务 |
| Predict | 模型预测任务，使用Spark进行分布式预测，具备处理大规模数据能力 |
DLFlow整体架构
DLFLow pipeline
欢迎使用并参与到本项目的建设中，详细内容请参见 Contribution Guide。
DLFlow 基于Apache-2.0协议进行分发和使用，更多信息参见 LICENSE。