教程 2：使用特征试验和训练模型

本系列教程介绍了特征如何无缝集成机器学习生命周期的所有阶段：原型制作、训练和操作化。

第一个教程介绍了如何使用自定义转换创建特征集规范。 然后，介绍了如何使用该特征集生成训练数据、启用具体化和执行回填。 本教程介绍了如何启用具体化和执行回填。 还演示了如何试验特征以提高模型性能。

本教程介绍如何执行下列操作：

在继续学习此教程之前，请务必完成系列中的第一个教程。

1. 配置 Azure 机器学习 Spark 笔记本。

   可以创建一个新笔记本，并分步执行本教程中的说明。 还可以从 featurestore_sample/notebooks 目录打开并运行名为“2.Experiment-train-models-using-features.ipynb”的现有笔记本。 可以选择 sdk_only 或 sdk_and_cli。 可以将此教程保持在打开状态，并参考它来获取文档链接和更多说明。

   1. 在顶部菜单的“计算”下拉列表中，选择“Azure 机器学习无服务器 Spark”下的“无服务器 Spark 计算”。

   2. 配置会话：

      1. 当工具栏显示“配置会话”时，将其选中。
      2. 在“Python 包”选项卡上，选择“上传 Conda 文件”。
      3. 上传在第一个教程中上传的 conda.yml 文件。
      4. 作为一个选项，可以增加会话超时（空闲时间）以避免频繁重新运行先决条件。

2. 启动 Spark 会话。

      # run this cell to start the spark session (any code block will start the session ). This can take around 10 mins.
      print("start spark session")
   

3. 为示例设置根目录。

   import os
   
   # please update the dir to ./Users/{your-alias} (or any custom directory you uploaded the samples to).
   # You can find the name from the directory structure inm the left nav
   root_dir = "./Users/<your user alias>/featurestore_sample"
   
   if os.path.isdir(root_dir):
       print("The folder exists.")
   else:
       print("The folder does not exist. Please create or fix the path")
   

4. 设置 CLI。

   • Python SDK
   • Azure CLI

   不适用。

1. 初始化项目工作区变量。

   这是当前工作区，教程笔记本在此资源中运行。

   ### Initialize the MLClient of this project workspace
   import os
   from azure.ai.ml import MLClient
   from azure.ai.ml.identity import AzureMLOnBehalfOfCredential
   
   project_ws_sub_id = os.environ["AZUREML_ARM_SUBSCRIPTION"]
   project_ws_rg = os.environ["AZUREML_ARM_RESOURCEGROUP"]
   project_ws_name = os.environ["AZUREML_ARM_WORKSPACE_NAME"]
   
   # connect to the project workspace
   ws_client = MLClient(
       AzureMLOnBehalfOfCredential(), project_ws_sub_id, project_ws_rg, project_ws_name
   )
   

2. 初始化特征存储变量。

   请务必更新 featurestore_name 和 featurestore_location 值，以反映在教程一中创建的内容。

   from azure.ai.ml import MLClient
   from azure.ai.ml.identity import AzureMLOnBehalfOfCredential
   
   # feature store
   featurestore_name = "my-featurestore"  # use the same name from part #1 of the tutorial
   featurestore_subscription_id = os.environ["AZUREML_ARM_SUBSCRIPTION"]
   featurestore_resource_group_name = os.environ["AZUREML_ARM_RESOURCEGROUP"]
   
   # feature store ml client
   fs_client = MLClient(
       AzureMLOnBehalfOfCredential(),
       featurestore_subscription_id,
       featurestore_resource_group_name,
       featurestore_name,
   )
   

3. 初始化特征存储消耗客户端。

   # feature store client
   from azureml.featurestore import FeatureStoreClient
   from azure.ai.ml.identity import AzureMLOnBehalfOfCredential
   
   featurestore = FeatureStoreClient(
        credential=AzureMLOnBehalfOfCredential(),
        subscription_id=featurestore_subscription_id,
        resource_group_name=featurestore_resource_group_name,
        name=featurestore_name,
   )
   

4. 在项目工作区中创建名为 cpu-cluster 的计算群集。

   运行训练/批处理推理作业时，需要此计算群集。

   from azure.ai.ml.entities import AmlCompute
   
   cluster_basic = AmlCompute(
       name="cpu-cluster",
       type="amlcompute",
       size="STANDARD_F4S_V2",  # you can replace it with other supported VM SKUs
       location=ws_client.workspaces.get(ws_client.workspace_name).location,
       min_instances=0,
       max_instances=1,
       idle_time_before_scale_down=360,
   )
   ws_client.begin_create_or_update(cluster_basic).result()
   

在第一个教程中，你创建了具有自定义转换的 transactions 特征集。 现在，请创建一个使用预计算值的 accounts 特征集。

若要加入预计算的特征，可以创建特征集规范，而无需编写任何转换代码。 请使用特征集规范在完全本地的开发环境中开发和测试特征集。

不需要连接到特征存储。 在此过程中，请在本地创建特征集规范，然后对其中的值采样。 要从托管功能商店的特征中受益，你必须使用特征资产定义向功能商店注册特征集规范。 本教程中的后续步骤将会提供更多详细信息。

1. 浏览帐户的源数据。

   备注

   此笔记本使用可公开访问的 Blob 容器中托管的示例数据。 只有驱动程序 wasbs 才可以在 Spark 中读取该内容。 当你通过使用自己的源数据创建特征集时，请将这些特征集托管在 Azure Data Lake Storage Gen2 帐户中，并在数据路径中使用 abfss 驱动程序。

   accounts_data_path = "wasbs://data@azuremlexampledata.blob.core.windows.net/feature-store-prp/datasources/accounts-precalculated/*.parquet"
   accounts_df = spark.read.parquet(accounts_data_path)
   
   display(accounts_df.head(5))
   

2. 在本地通过这些预计算的特征创建 accounts 特征集规范。

   此处不需要任何转换代码，因为你引用了预计算的特征。

   from azureml.featurestore import create_feature_set_spec, FeatureSetSpec
   from azureml.featurestore.contracts import (
       DateTimeOffset,
       FeatureSource,
       TransformationCode,
       Column,
       ColumnType,
       SourceType,
       TimestampColumn,
   )
   
   
   accounts_featureset_spec = create_feature_set_spec(
       source=FeatureSource(
           type=SourceType.parquet,
           path="wasbs://data@azuremlexampledata.blob.core.windows.net/feature-store-prp/datasources/accounts-precalculated/*.parquet",
           timestamp_column=TimestampColumn(name="timestamp"),
       ),
       index_columns=[Column(name="accountID", type=ColumnType.string)],
       # account profiles in the source are updated once a year. set temporal_join_lookback to 365 days
       temporal_join_lookback=DateTimeOffset(days=365, hours=0, minutes=0),
       infer_schema=True,
   )
   # Generate a spark dataframe from the feature set specification
   accounts_fset_df = accounts_featureset_spec.to_spark_dataframe()
   # display few records
   display(accounts_fset_df.head(5))
   

3. 导出为特征集规范。

   为了向特征存储注册特征集规范，你必须以特定格式保存该规范。

   运行下一个单元格后，请检查生成的 accounts 特征集规范。 若要查看规范，请从文件树中打开 featurestore/featuresets/accounts/spec/FeatureSetSpec.yaml 文件。

   规范包含以下重要元素：

   • source：对存储资源的引用。 在本例中，它是 blob 存储资源中的 parquet 文件。

   • features：特征及其数据类型的列表。 通过提供的转换代码，该代码必须返回映射到特征和数据类型的数据帧。 如果没有提供转换代码，系统会生成查询以将特征和数据类型映射到源。 在这种情况下，生成的 accounts 特征集规范不包含转换代码，因为它是预先计算的。

   • index_columns：访问特征集中的值所需的联接键。

   若要了解详细信息，请访问了解托管功能商店中的顶级实体和 CLI (v2) 特征集规范 YAML 架构资源。

   还有一个额外的好处是，持久化支持源代码管理。

   此处不需要任何转换代码，因为你引用了预计算的特征。

   import os
   
   # create a new folder to dump the feature set spec
   accounts_featureset_spec_folder = root_dir + "/featurestore/featuresets/accounts/spec"
   
   # check if the folder exists, create one if not
   if not os.path.exists(accounts_featureset_spec_folder):
       os.makedirs(accounts_featureset_spec_folder)
   
   accounts_featureset_spec.dump(accounts_featureset_spec_folder)
   

开发特征时，可能需要先在本地进行测试和验证，然后再将其注册到特征存储或在云中运行训练管道。 将本地未注册的特征集 (accounts) 与在特征存储 (transactions) 中注册的特征集组合在一起，为机器学习模型生成训练数据。

1. 为模型选择特征。

# get the registered transactions feature set, version 1
transactions_featureset = featurestore.feature_sets.get("transactions", "1")
# Notice that account feature set spec is in your local dev environment (this notebook): not registered with feature store yet
features = [
    accounts_featureset_spec.get_feature("accountAge"),
    accounts_featureset_spec.get_feature("numPaymentRejects1dPerUser"),
    transactions_featureset.get_feature("transaction_amount_7d_sum"),
    transactions_featureset.get_feature("transaction_amount_3d_sum"),
    transactions_featureset.get_feature("transaction_amount_7d_avg"),
]

1. 在本地生成训练数据。

   此步骤生成的训练数据用于说明用途。 在这一步，你可以选择在本地训练模型。 本教程的后续步骤将会介绍如何在云中训练模型。

from azureml.featurestore import get_offline_features

# Load the observation data. To understand observatio ndata, refer to part 1 of this tutorial
observation_data_path = "wasbs://data@azuremlexampledata.blob.core.windows.net/feature-store-prp/observation_data/train/*.parquet"
observation_data_df = spark.read.parquet(observation_data_path)
obs_data_timestamp_column = "timestamp"

# generate training dataframe by using feature data and observation data
training_df = get_offline_features(
    features=features,
    observation_data=observation_data_df,
    timestamp_column=obs_data_timestamp_column,
)

# Ignore the message that says feature set is not materialized (materialization is optional). We will enable materialization in the next part of the tutorial.
display(training_df)
# Note: display(training_df.head(5)) displays the timestamp column in a different format. You can can call training_df.show() to see correctly formatted value

1. 将 accounts 特征集注册到特征存储。

   在你对特征定义进行本地实验后，如果它们看起来合理，则可以在特征库中注册特征集资产定义。

   from azure.ai.ml.entities import FeatureSet, FeatureSetSpecification
   
   accounts_fset_config = FeatureSet(
       name="accounts",
       version="1",
       description="accounts featureset",
       entities=["azureml:account:1"],
       stage="Development",
       specification=FeatureSetSpecification(path=accounts_featureset_spec_folder),
       tags={"data_type": "nonPII"},
   )
   
   poller = fs_client.feature_sets.begin_create_or_update(accounts_fset_config)
   print(poller.result())
   

2. 获取已注册的特征集，并对其进行测试。

# look up the featureset by providing name and version
accounts_featureset = featurestore.feature_sets.get("accounts", "1")
# get access to the feature data
accounts_feature_df = accounts_featureset.to_spark_dataframe()
display(accounts_feature_df.head(5))
# Note: Please ignore this warning: Failure while loading azureml_run_type_providers. Failed to load entrypoint azureml.scriptrun

在这些步骤中，你将选择一系列特征，运行训练管道，并注册模型。 可以重复这些步骤，直到模型的表现符合预期。

1. （可选）从特征存储 UI 发现特征。

   第一个教程介绍了在注册 transactions 特征集时需执行的此步骤。 由于你还有 accounts 特征集，因此可以浏览可用特征：

   1. 转到 Azure 机器学习全球登陆页面。
   2. 在左窗格中，选择“特征存储”。
   3. 在特征存储列表中，选择之前创建的特征存储。

   UI 会显示你创建的特征集和实体。 选择特征集以浏览特征定义。 你可以使用全局搜索框跨特征存储搜索特征集。

2. （可选）从 SDK 发现特征。

# List available feature sets
all_featuresets = featurestore.feature_sets.list()
for fs in all_featuresets:
    print(fs)

# List of versions for transactions feature set
all_transactions_featureset_versions = featurestore.feature_sets.list(
    name="transactions"
)
for fs in all_transactions_featureset_versions:
    print(fs)

# See properties of the transactions featureset including list of features
featurestore.feature_sets.get(name="transactions", version="1").features

1. 为模型选择特征，然后将模型导出为特征检索规范。

   在前面的步骤中，你从已注册和未注册的特征集的组合中选择了特征，用于本地试验和测试。 现在，可以在云中进行试验。 如果将所选特征保存为特征检索规范，然后使用机器学习操作(MLOps) 中的规范或持续集成和持续交付 (CI/CD) 流进行训练和推理，则模型传送敏捷性会提高。

   1. 为模型选择特征。

      # you can select features in pythonic way
      features = [
           accounts_featureset.get_feature("accountAge"),
           transactions_featureset.get_feature("transaction_amount_7d_sum"),
           transactions_featureset.get_feature("transaction_amount_3d_sum"),
      ]
      
      # you can also specify features in string form: featurestore:featureset:version:feature
      more_features = [
           "accounts:1:numPaymentRejects1dPerUser",
           "transactions:1:transaction_amount_7d_avg",
      ]
      
      more_features = featurestore.resolve_feature_uri(more_features)
      
      features.extend(more_features)
      

   2. 将所选特征导出为特征检索规范。

      特征检索规范是与模型关联的特征列表的可移植定义。 它可以帮助简化机器学习模型的开发和操作化。 它成为生成训练数据的训练管道的输入。 然后，它与模型打包在一起。

      推理阶段使用特征检索来查找特征。 它整合了机器学习生命周期的所有阶段。 在试验和部署时，可以尽量减少对训练/推理管道的更改。

      可以选择使用特征检索规范和内置特征检索组件。 你可以直接使用 get_offline_features() API，如本教程前面所示。 当你将规范与模型一起打包时，规范的名称应为 feature_retrieval_spec.yaml。 这样，系统就可以识别它。

      # Create feature retrieval spec
      feature_retrieval_spec_folder = root_dir + "/project/fraud_model/feature_retrieval_spec"
      
      # check if the folder exists, create one if not
      if not os.path.exists(feature_retrieval_spec_folder):
          os.makedirs(feature_retrieval_spec_folder)
      
      featurestore.generate_feature_retrieval_spec(feature_retrieval_spec_folder, features)
      

在此过程中，请手动触发训练管道。 在生产环境中，CI/CD 管道可以根据对源存储库中特征检索规范的更改来触发训练管道。 如果模型令人满意，可以注册该模型。

1. 运行训练管道。

   训练管道包含以下步骤：

   1. 特征检索：此内置组件会获取特征检索规范、观察数据和时间戳列名作为训练管道的输入。 然后，它会生成训练数据作为输出。 它会以托管 Spark 作业的形式运行这些步骤。

   2. 训练：此步骤根据训练数据来训练模型，然后生成模型（尚未注册）。

   3. 评估：此步骤验证模型表现和质量是否在阈值范围内。 （在本教程中，这是一个用于说明目的的占位步骤。）

   4. 注册模型：此步骤注册模型。

      备注

      在第二个教程中，你运行了一个回填作业来具体化 transactions 特征集的数据。 特征检索步骤将从此特征集的脱机存储中读取特征值。 即使使用 get_offline_features() API，行为也相同。

      from azure.ai.ml import load_job  # will be used later
      
      training_pipeline_path = (
        root_dir + "/project/fraud_model/pipelines/training_pipeline.yaml"
      )
      training_pipeline_definition = load_job(source=training_pipeline_path)
      training_pipeline_job = ws_client.jobs.create_or_update(training_pipeline_definition)
      ws_client.jobs.stream(training_pipeline_job.name)
      # Note: First time it runs, each step in pipeline can take ~ 15 mins. However subsequent runs can be faster (assuming spark pool is warm - default timeout is 30 mins)
      

   5. 检查训练管道和模型。

      • 若要显示管道步骤，请选择 Web 视图管道的超链接，并在新窗口中打开它。

2. 使用模型项目中的特征检索规范：

   1. 在当前工作区的左窗格中，用鼠标右键按钮选择“模型”。
   2. 选择“在新标签页或窗口中打开”。
   3. 选择“fraud_model”。
   4. 选择“项目”。

   特征检索规范与模型一起打包。 训练管道中的模型注册步骤处理了此步骤。 你在试验期间创建了特征检索规范。 现在它是模型定义的一部分。 下一个教程将介绍推理过程如何使用它。

1. 查看与模型关联的特征集的列表。

   在同一模型页面上，选择特征集选项卡。此选项卡同时显示 transactions 和 accounts 特征集。 此模型取决于这些特征集。

2. 查看使用特征集的模型的列表：

   1. 打开特征存储 UI（本教程前面介绍过）。
   2. 在左窗格中，选择“特征集”。
   3. 选择一个特征集。
   4. 选择“模型”选项卡。

   特征检索规范在模型注册时确定了此列表。

本系列的教程五将介绍如何删除资源。

• 转到本系列的下一教程：启用重复具体化并运行批量推理。
• 了解概念特征存储概念和托管特征存储中的顶级实体。
• 了解托管特征存储的标识和访问控制。
• 查看托管特征存储故障排除指南。
• 查看 YAML 参考。