Как передать данные модели глубокого обучения функции карты в Spark

Question

У меня очень простой случай использования, когда я читаю большое количество изображений как rdd из s3, используя метод sc.binaryFiles. Как только этот RDD создан, я передаю содержимое внутри rdd в функцию выделения функций vgg16. Итак, в этом мне понадобятся данные модели, с помощью которых будет выполнено извлечение объекта, поэтому я помещаю данные модели в широковещательную переменную и затем получаю доступ к значению в каждой функции карты. Ниже приведен код: -

s3_files_rdd = sc.binaryFiles(RESOLVED_IMAGE_PATH)

s3_files_rdd.persist()

model_data = initVGG16()
broadcast_model = sc.broadcast(model_data)

features_rdd = s3_files_rdd.mapPartitions(extract_features_)

response_rdd = features_rdd.map(lambda x: (x[0], write_to_s3(x, OUTPUT, FORMAT_NAME)))

метод extract_features_: -

def extract_features_(xs):
    model_data = initVGG16()
    for k, v in xs:
        yield k, extract_features2(model_data,v)

метод extract_features: -

from keras.preprocessing import image
from keras.applications.vgg16 import VGG16
from keras.models import Model
from io import BytesIO
from keras.applications.vgg16 import preprocess_input
def extract_features(model,obj):
    try:
        print('executing vgg16 feature extractor...')
        img = image.load_img(BytesIO(obj), target_size=(224, 224,3))
        img_data = image.img_to_array(img)
        img_data = np.expand_dims(img_data, axis=0)
        img_data = preprocess_input(img_data)
        vgg16_feature = model.predict(img_data)[0]
        print('++++++++++++++++++++++++++++',vgg16_feature.shape)
        return vgg16_feature
    except Exception as e:
        print('Error......{}'.format(e.args))
        return []

записать в метод s3: -

def write_to_s3(rdd, output_path, format_name):
    file_path = rdd[0]
    file_name_without_ext = get_file_name_without_ext(file_name)
    bucket_name = output_path.split('/', 1)[0]

    final_path = 'deepak' + '/' + file_name_without_ext + '.' + format_name

    LOGGER.info("Saving to S3....")
    cci = cc.get_interface(bucket_name, ACCESS_KEY=os.environ.get("AWS_ACCESS_KEY_ID"),
                           SECRET_KEY=os.environ.get("AWS_SECRET_ACCESS_KEY"), endpoint_url='https://s3.amazonaws.com')
    response = cci.upload_npy_array(final_path, rdd[1])
    return response

Внутри метода write_to_s3 я получаю СДР, извлекая имя ключа для сохранения и корзину. затем используйте библиотеку с именем cottoncandy для непосредственного сохранения содержимого RDD, которое в моем случае является массивом, вместо сохранения какого-либо промежуточного файла.

Я получаю ошибку ниже: -

127_0010/container_1541576150127_0010_01_000001/pyspark.zip/pyspark/cloudpickle.py", line 600, in save_reduce
    save(state)
  File "/usr/lib64/python2.7/pickle.py", line 286, in save
    f(self, obj) # Call unbound method with explicit self
  File "/usr/lib64/python2.7/pickle.py", line 655, in save_dict
    self._batch_setitems(obj.iteritems())
  File "/usr/lib64/python2.7/pickle.py", line 687, in _batch_setitems
    save(v)
  File "/usr/lib64/python2.7/pickle.py", line 306, in save
    rv = reduce(self.proto)
TypeError: can't pickle thread.lock objects
Traceback (most recent call last):
  File "one_file5.py", line 98, in <module>
    run()
  File "one_file5.py", line 89, in run
    LOGGER.info('features_rdd rdd created,...... %s',features_rdd.count())    
  File "/mnt/yarn/usercache/hadoop/appcache/application_1541576150127_0010/container_1541576150127_0010_01_000001/pyspark.zip/pyspark/rdd.py", line 1041, in count
  File "/mnt/yarn/usercache/hadoop/appcache/application_1541576150127_0010/container_1541576150127_0010_01_000001/pyspark.zip/pyspark/rdd.py", line 1032, in sum
  File "/mnt/yarn/usercache/hadoop/appcache/application_1541576150127_0010/container_1541576150127_0010_01_000001/pyspark.zip/pyspark/rdd.py", line 906, in fold
  File "/mnt/yarn/usercache/hadoop/appcache/application_1541576150127_0010/container_1541576150127_0010_01_000001/pyspark.zip/pyspark/rdd.py", line 809, in collect
  File "/mnt/yarn/usercache/hadoop/appcache/application_1541576150127_0010/container_1541576150127_0010_01_000001/pyspark.zip/pyspark/rdd.py", line 2455, in _jrdd
  File "/mnt/yarn/usercache/hadoop/appcache/application_1541576150127_0010/container_1541576150127_0010_01_000001/pyspark.zip/pyspark/rdd.py", line 2388, in _wrap_function
  File "/mnt/yarn/usercache/hadoop/appcache/application_1541576150127_0010/container_1541576150127_0010_01_000001/pyspark.zip/pyspark/rdd.py", line 2374, in _prepare_for_python_RDD
  File "/mnt/yarn/usercache/hadoop/appcache/application_1541576150127_0010/container_1541576150127_0010_01_000001/pyspark.zip/pyspark/serializers.py", line 464, in dumps
  File "/mnt/yarn/usercache/hadoop/appcache/application_1541576150127_0010/container_1541576150127_0010_01_000001/pyspark.zip/pyspark/cloudpickle.py", line 704, in dumps
  File "/mnt/yarn/usercache/hadoop/appcache/application_1541576150127_0010/container_1541576150127_0010_01_000001/pyspark.zip/pyspark/cloudpickle.py", line 162, in dump
pickle.PicklingError: Could not serialize object: TypeError: can't pickle thread.lock objects.

Когда я комментирую часть кода feature_rdd, тогда программа работает нормально, что означает, что что-то не так в части features_rdd. Не уверен, что я здесь делаю не так.

Я запускаю программу в AWS EMR с 4 исполнителями. Executor Core 7 RAM исполнителя 8GB Spark версия 2.2.1

Answer 1

Замените ваш текущий код на mapPartitions:

def extract_features_(xs):
    model_data = initVGG16()
    for k, v in xs:
        yield k, extract_features(model_data, v)

features_rdd = s3_files_rdd.mapPartitions(extract_features_)