Carregar dados usando o Mosaic Streaming

Este artigo descreve como usar o Mosaic Streaming para converter dados do Apache Spark para um formato compatível com o PyTorch.

Mosaic Streaming é uma biblioteca de carregamento de dados de código aberto. Ele permite o treinamento em nó único ou distribuído e a avaliação de modelos de aprendizagem profunda provenientes de conjuntos de dados já carregados como DataFrames do Apache Spark. O Mosaic Streaming suporta principalmente o Mosaic Composer, mas também se integra com o nativo PyTorch, o PyTorch Lightning e o TorchDistributor. O Mosaic Streaming oferece uma série de benefícios em relação aos DataLoaders PyTorch tradicionais, incluindo:

• Compatibilidade com qualquer tipo de dados, incluindo imagens, texto, vídeo e dados multimodais.
• Suporte para os principais provedores de armazenamento em nuvem (AWS, OCI, GCS, Azure, Databricks UC Volume e qualquer armazenamento de objetos compatível com o S3, como Cloudflare R2, Coreweave, Backblaze b2, etc.)
• Maximizando as garantias de correção, desempenho, flexibilidade e facilidade de uso. Para obter mais informações, consulte a página de características principais.

Para obter informações gerais sobre o Mosaic Streaming, consulte a documentação da API de streaming.

Carregar dados do Spark DataFrames usando o Mosaic Streaming

O Mosaic Streaming fornece um fluxo de trabalho simples para a conversão do Apache Spark para o formato Mosaic Data Shard (MDS), que pode ser carregado para uso em um ambiente distribuído.

O fluxo de trabalho recomendado é:

1. Use o Apache Spark para carregar e, opcionalmente, pré-processar dados.
2. Use streaming.base.converters.dataframe_to_mds para salvar o dataframe em disco para armazenamento transitório e/ou em um volume do Catálogo Unity para armazenamento persistente. Esses dados serão armazenados no formato MDS e podem ser otimizados com suporte para compressão e hashing. Casos de uso avançados também podem incluir o pré-processamento de dados usando UDFs. Veja o tutorial do Spark DataFrame to MDS para obter mais informações.
3. Use streaming.StreamingDataset para carregar os dados necessários na memória. StreamingDataset é uma versão do IterableDataset do PyTorch que apresenta embaralhamento determinístico elástico, permitindo uma rápida retomada durante a execução. Consulte a documentação do StreamingDataset para obter mais informações.
4. Use streaming.StreamingDataLoader para carregar os dados necessários para treinamento/avaliação/teste. StreamingDataLoader é uma versão do DataLoader do PyTorch que fornece uma interface adicional de ponto de verificação/retomada, na qual rastreia o número de amostras vistas pelo modelo neste nível.

Para obter um exemplo completo, consulte o seguinte bloco de anotações:

Simplifique o carregamento de dados do Spark para o PyTorch usando o notebook Mosaic Streaming

Obter bloco de notas

Solução de problemas

Erro de autenticação

Se você vir o seguinte erro ao carregar dados de um volume do Catálogo Unity usando StreamingDataset, configure as variáveis de ambiente conforme mostrado abaixo.

ValueError: default auth: cannot configure default credentials, please check https://docs.databricks.com/en/dev-tools/auth.html#databricks-client-unified-authentication to configure credentials for your preferred authentication method.

db_host = "https://your-databricks-host.databricks.com"
db_token = "YOUR API TOKEN" # Create a token with either method from https://docs.databricks.com/en/dev-tools/auth/index.html#databricks-authentication-methods

def your_training_function():
  import os
  os.environ['DATABRICKS_HOST'] = db_host
  os.environ['DATABRICKS_TOKEN'] = db_token

# The above function can be distributed with TorchDistributor:
# from pyspark.ml.torch.distributor import TorchDistributor
# distributor = TorchDistributor(...)
# distributor.run(your_training_function)

Problemas de memória compartilhada do Python 3.11

Devido a problemas com a implementação de memória compartilhada do Python 3.11, StreamingDataset pode ter problemas transitórios no Databricks Runtime 15.4 LTS for Machine Learning. Você pode evitar esses problemas atualizando para o Databricks Runtime 16.4 LTS for Machine Learning, pois o Python 3.12 resolve esses problemas.