时间:2022-10-09 17:43:03 | 浏览:2712
作者:byronhe,腾讯 WXG 开发工程师
随着深度学习的广泛应用,在搜索引擎/推荐系统/机器视觉等业务系统中,越来越多的深度学习模型部署到线上服务。
机器学习模型在离线训练时,一般要将输入的数据做特征工程预处理,再输入模型在 TensorFlow PyTorch 等框架上做训练。
常见的特征工程逻辑有:
分箱/分桶 离散化
log/exp 对数/幂等 math numpy 常见数学运算
特征缩放/归一化/截断
交叉特征生成
分词匹配程度计算
字符串分隔匹配判断 tong
缺省值填充等
数据平滑
onehot 编码,hash 编码等
这些特征工程代码,当然一般使用深度学习最主要的语言 python实现。
离线训练完成,模型上线部署后,同样要用 C++ 重新实现这些 python 的特征工程逻辑代码。
我们发现,“用 C++ 重新实现”这个步骤,给实际业务带来了大量的问题:
繁琐,费时费力,极容易出现 python 和 C++ 代码不一致
不一致会直接影响模型在线上的效果,导致大盘业务指标不如预期,产生各种 bad case
不一致难以发现,无法测试,无法监控,经常要靠用户投诉反馈,甚至大盘数据异常才能发现
针对这些问题,我调研了这些业界方案:
《推荐系统中模型训练及使用流程的标准化》https://www.infoq.cn
/article/2E6LCqb1GeqFRAjkkjX3
《自主研发、不断总结经验,美团搜索推荐机器学习平台》https://cloud.tencent.com/developer/article/1357309
《京东电商推荐系统实践》https://www.infoq.cn
/article/1OkKmb_gEYNR3YqC9RcW
“模型线上线下一致性问题对于模型效果非常重要,我们使用特征日志来实时记录特征,保证特征的一致性。这样离线处理的时候会把实时的用户反馈,和特征日志做一个结合生成训练样本,然后更新到模型训练平台上,平台更新之后在推送到线上,这样整个排序形成了一个闭环。”
总结起来,有几种思路:
在线特征存储起来给离线用
在线 C++ 代码编译成 so 导出给离线用
根据一份配置生成离线和在线代码
提取公共代码,加强代码复用,等软件工程手段,减少不一致
但这些思路都有各种缺点:
所有在线请求的所有特征,这个存储量数据量很大
算法改代码需要等待后台开发,降低了算法同学的工作效率
特征处理代码的复杂度转移到配置文件中,不一定能充分表达,而且配置格式增加学习成本
就这边真实离线特征处理代码来看,大部分代码都无法抽取出公共代码做复用。
回到问题出发点考虑,显而易见,这个问题归根结底就是需要一个 “ python 到 c++ 的翻译器 ” 。
那其实 “翻译器 Transpiler ” ,和编译器解释器类似,也是个古老的热门话题了,比如 WebAssembly, CoffeeScript ,Babel ,Google Closure Compiler,f2c
于是一番搜索,发现 python 到 C++ 的翻译器也不少,其中 Pythran 是新兴比较热门的开源项目。
于是一番尝试后,借助 pythran,我们实现了:
一条命令 全自动把 Python 翻译成等价 C++
严格等价保证改写,彻底消除不一致
完全去掉重新实现这块工作量,后台开发成本降到 0 ,彻底解放生产力
算法同学继续使用纯 python,开发效率无影响,** 无学习成本 **
并能推广到其他需要 python 改写成后台 C++ 代码的业务场景,解放生产力
一条命令安装:
pip3 install pythran
下面这个 python demo,是 pythran 官方 demo
import math
import numpy as np
def zero(n, m):
return [[0]*n for col in range(m)]
#pythran export matrix_multiply(float list list, float list list)
def matrix_multiply(m0, m1):
new_matrix = zero(len(m0),len(m1[0]))
for i in range(len(m0)):
for j in range(len(m1[0])):
for k in range(len(m1)):
new_matrix[i][j] += m0[i][k]*m1[k][j]
return new_matrix
#pythran export arc_distance(float[], float[], float[], float[])
def arc_distance(theta_1, phi_1, theta_2, phi_2):
"""
Calculates the pairwise arc distance
between all points in vector a and b.
"""
temp = (np.sin((theta_2-theta_1)/2)**2
+ np.cos(theta_1)*np.cos(theta_2) * np.sin((phi_2-phi_1)/2)**2)
distance_matrix = 2 * np.arctan2(np.sqrt(temp), np.sqrt(1-temp))
return distance_matrix
#pythran export dprod(int list, int list)
def dprod(l0,l1):
"""WoW, generator expression, zip and sum."""
return sum(x * y for x, y in zip(l0, l1))
#pythran export get_age(int )
def get_age(age):
if age <= 20:
age_x = "0_20"
elif age <= 25:
age_x = "21_25"
elif age <= 30:
age_x = "26_30"
elif age <= 35:
age_x = "31_35"
elif age <= 40:
age_x = "36_40"
elif age <= 45:
age_x = "41_45"
elif age <= 50:
age_x = "46_50"
else:
age_x = "50+"
return age_x
一条命令完成翻译
pythran -e demo.py -o demo.hpp
pythran/pythonic/ 目录下是 python 标准库的 C++ 等价实现,翻译出来的 C++ 代码需要 include 这些头文件
写个 C++ 代码调用
#include "demo.hpp"
#include "pythonic/numpy/random/rand.hpp"
#include <iostream>
using std::cout;
using std::endl;
intmain {
pythonic::types::list<pythonic::types::list<double>> m0 = {{2.0, 3.0},
{4.0, 5.0}},
m1 = {{1.0, 2.0},
{3.0, 4.0}};
cout << m0 << "*" << m1 << "
=
"
<< __pythran_demo::matrix_multiply(m0, m1) << endl
<< endl;
auto theta_1 = pythonic::numpy::random::rand(3),
phi_1 = pythonic::numpy::random::rand(3),
theta_2 = pythonic::numpy::random::rand(3),
phi_2 = pythonic::numpy::random::rand(3);
cout << "arc_distance " << theta_1 << "," << phi_1 << "," << theta_2 << ","
<< phi_2 << "
=
"
<< __pythran_demo::arc_distance(theta_1, phi_1, theta_2, phi_2) << endl
<< endl;
pythonic::types::list<int> l0 = {2, 3}, l1 = {4, 5};
cout << "dprod " << l0 << "," << l1 << "
=
"
<< __pythran_demo::dprod(l0, l1) << endl
<< endl;
cout << "get_age 30 = " << __pythran_demo::get_age(30) << endl << endl;
return 0;
}
g++ -g -std=c++11 main.cpp -fopenmp -march=native -DUSE_XSIMD -I /usr/local/lib/python3.6/site-packages/pythran/ -o pythran_demo
./pythran_demo
按官方定义,Pythran 是一个 AOT (Ahead-Of-Time - 预先编译) 编译器。给科学计算的 python 加注解后,pythran 可以把 python 代码变成接口相同的原生 python 模块,大幅度提升性能。
并且 pythran 也可以利用 OpenMP 多核和 SIMD 指令集。
支持 python 3 和 Python 2.7 。
pythran 的 manual 挺详细:
https://pythran.readthedocs.io/en/latest/MANUAL.html
pythran 并不支持完整的 python, 只支持 python 语言特性的一个子集:
polymorphic functions 多态函数(翻译成 C++ 的泛型模板函数)
lambda
list comprehension 列表推导式
map, reduce 等函数
dictionary, set, list 等数据结构
exceptions 异常
file handling 文件处理
部分 numpy
不支持的功能:
classes 类
polymorphic variables 可变类型变量
pythran export 可以导出函数和全局变量。支持导出的数据类型,BNF 定义是:
argument_type = basic_type
| (argument_type+) # this is a tuple
| argument_type list # this is a list
| argument_type set # this is a set
| argument_type + # this is a ndarray, C-style
| argument_type [::]+ # this is a strided ndarray
| argument_type [:,...,:]+ # this is a ndarray, Cython style
| argument_type [:,...,3]+ # this is a ndarray, some dimension fixed
| argument_type:argument_type dict # this is a dictionary
basic_type = bool | byte | int | float | str | None | slice
| uint8 | uint16 | uint32 | uint64 | uintp
| int8 | int16 | int32 | int64 | intp
| float32 | float64 | float128
| complex64 | complex128 | complex256
可以看到基础类型相当全面,支持各种 整数,浮点数,字符串,复数
复合类型支持 tuple, list, set, dict, numpy.ndarray 等,
对应 C++ 代码的类型实现在
pythran/pythonic/include/types/ 下面,可以看到比如 dict 实际就是封装了一下 std::unordered_map
https://pythran.readthedocs.io/en/latest/SUPPORT.html
可以看到支持的 python 基础库,其中常用于机器学习的 numpy 支持算比较完善。
和常见的编译器/解释器类似, pythran 的架构是分成 3 层:
python 代码解析成抽象语法树 AST 。用 python 标准库自带的的 ast 模块实现
代码优化。在 AST 上做优化,有多种 transformation pass,比如 deadcode_elimination 死代码消除,loop_full_unrolling 循环展开 等。还有 Function/Module/Node 级别的 Analysis,用来遍历 AST 供 transformation 利用。
后端,实现代码生成。目前有 2 个后端,Cxx / Python, Cxx 后端可以把 AST 转成 C++ 代码( Python 后端用来调试)。
目前看起来 ,pythran 还欠缺的:
字符串处理能力欠缺,缺少 str.encode/str.decode 对 utf8 的支持
缺少正则表达式 regex 支持
看文档要自己加也不麻烦,看业务需要可以加。
《京东电商推荐系统实践》https://www.infoq.cn
/article/1OkKmb_gEYNR3YqC9RcW
《自主研发、不断总结经验,美团搜索推荐机器学习平台》https://cloud.tencent.com/developer/article/1357309
《推荐系统中模型训练及使用流程的标准化》https://www.infoq.cn
/article/2E6LCqb1GeqFRAjkkjX3
numbahttp://numba.pydata.org
订阅我的微信公众号“杨建荣的学习笔记”,第一时间免费收到文章更新。别忘了加星标,以免错过新推送提示。
7
8
我不喜欢一上来就推荐一堆参考资料的东西,那只会让初学者更迷茫。好比一个婴儿,你告诉他学会走路的方法有100种,他只会变的对走路毫无兴趣,他要的只是一种最有效的学会走路的办法,而不是100种。同样的,下面介绍的是我之前刚开始自己学习pytho
现在将几万条数据从日语翻译成中文。因为数据的获取和处理用的是python代码,所以想先尝试翻译部分也用python实现。网上查到的翻译方法有百度、有道以及谷歌翻译(个人)下面会对这三个方法进行简单的测试和分析。模块导入手动安装,命令pip
一、强类型和弱类型语言:C、 C++、 Java 、Python都是强类型的语言。PHP是弱类型的语言。强类型语言是一种强制类型定义的语言,即一旦某一个变量被定义类型,如果不经强制转换,那么它永远就是该数据类型。而弱类型语言是一种弱类型定义
乾明 发自 凹非寺 量子位 报道 | 公众号 QbitAIPython势头不减,依旧第一,而且进一步拉开了与其他语言的差距。这一结果,来自IEEE Spectrum2019年度编程语言排行榜。这已经是Python连续3年保持第一。在Pyth
首先,我们先普及一下编程语言的基础知识。用任何编程语言来开发程序,都是为了让计算机干活,比如编写一篇文章,下载一首MP3等,而计算机干活的CPU只认识机器的指令,所以,尽管不同的编程语言差异极大,最后都得“翻译”成CPU可以执行的机器指令。
全球知名TIOBE 编程语言社区发布了11 月编程语言排行榜。下面让我们一起来看看,本月榜单中有哪些值得注意的新变化吧!01PHP即将跌出前十自 20 多年前 TIOBE 指数开始发布以来,PHP 一直常驻在榜单前十,然而最近,该语言已经开
【51CTO.com快译】在本文中,我们将逐一介绍目前人气较高的三种编程语言:PHP、Ruby和Python。我们将分析它们是如何工作的,它们彼此有何不同,谁在使用它们,以及每种语言受欢迎的程度。一、 PHP:互联网上最受欢迎的脚本语言PH
TIOBE 编程社区指数是编程语言流行程度的指标。该指数每月更新一次。评级基于全球熟练工程师、课程和第三方供应商的数量。谷歌、必应、雅虎、维基百科、亚马逊、YouTube 和百度等流行搜索引擎用于计算评分。需要注意的是,TIOBE 指数与最
IT行业现在依然是求职转行人群的首选,那么当下的IT培训机构中IT技术课程类目繁多,尤其是Java培训,PHP培训,Python培训以及前端培训最火,零基础人员如何选择一种适合自己的编程开发语言课程去学习入行呢?前三者属于后端的开发语言,我