读取 Vertex AI Pipelines 中的数据

这是我第一次使用 Google 的 Vertex AI Pipelines。我检查了这个代码实验室 https://codelabs.developers.google.com/vertex-pipelines-intro?hl=en#0也这个帖子 https://towardsdatascience.com/how-to-set-up-custom-vertex-ai-pipelines-step-by-step-467487f81cad and 这个帖子 https://medium.com/google-cloud/google-vertex-ai-the-easiest-way-to-run-ml-pipelines-3a41c5ed153，在一些源自的链接之上官方文档 https://cloud.google.com/vertex-ai/docs/pipelines/introduction?hl=es-419。我决定将所有这些知识运用到工作中，在一些玩具示例中：我计划构建一个由 2 个组件组成的管道：“get-data”（读取存储在 Cloud Storage 中的一些 .csv 文件）和“report-data” （它基本上返回前一个组件中读取的 .csv 数据的形状）。此外，我谨慎地包括一些建议 https://stackoverflow.com/questions/71351821/reading-file-from-vertex-ai-and-google-cloud-storage本论坛提供。我目前拥有的代码如下：

from kfp.v2 import compiler
from kfp.v2.dsl import pipeline, component, Dataset, Input, Output
from google.cloud import aiplatform

# Components section   

@component(
    packages_to_install=[
        "google-cloud-storage",
        "pandas",
    ],
    base_image="python:3.9",
    output_component_file="get_data.yaml"
)
def get_data(
    bucket: str,
    url: str,
    dataset: Output[Dataset],
):
    import pandas as pd
    from google.cloud import storage
    
    storage_client = storage.Client("my-project")
    bucket = storage_client.get_bucket(bucket)
    blob = bucket.blob(url)
    blob.download_to_filename('localdf.csv')
    
    # path = "gs://my-bucket/program_grouping_data.zip"
    df = pd.read_csv('localdf.csv', compression='zip')
    df['new_skills'] = df['new_skills'].apply(ast.literal_eval)
    df.to_csv(dataset.path + ".csv" , index=False, encoding='utf-8-sig')


@component(
    packages_to_install=["pandas"],
    base_image="python:3.9",
    output_component_file="report_data.yaml"
)
def report_data(
    inputd: Input[Dataset],
):
    import pandas as pd
    df = pd.read_csv(inputd.path)
    return df.shape


# Pipeline section

@pipeline(
    # Default pipeline root. You can override it when submitting the pipeline.
    pipeline_root=PIPELINE_ROOT,
    # A name for the pipeline.
    name="my-pipeline",
)
def my_pipeline(
    url: str = "test_vertex/pipeline_root/program_grouping_data.zip",
    bucket: str = "my-bucket"
):
    dataset_task = get_data(bucket, url)

    dimensions = report_data(
        dataset_task.output
    )

# Compilation section

compiler.Compiler().compile(
    pipeline_func=my_pipeline, package_path="pipeline_job.json"
)

# Running and submitting job

from datetime import datetime

TIMESTAMP = datetime.now().strftime("%Y%m%d%H%M%S")

run1 = aiplatform.PipelineJob(
    display_name="my-pipeline",
    template_path="pipeline_job.json",
    job_id="mlmd-pipeline-small-{0}".format(TIMESTAMP),
    parameter_values={"url": "test_vertex/pipeline_root/program_grouping_data.zip", "bucket": "my-bucket"},
    enable_caching=True,
)

run1.submit()

我很高兴看到管道编译没有错误，并成功提交了作业。然而“我的幸福持续得很短”，当我去 Vertex AI Pipelines 时，我偶然发现了一些“错误”，如下所示：

DAG 失败，因为某些任务失败。失败的任务是：[获取数据]。；由于上述错误，作业（project_id = my-project，job_id = 4290278978419163136）失败。处理作业失败：{project_number = xxxxxxxx, job_id = 4290278978419163136}

我在网络上没有找到任何相关信息，也找不到任何日志或类似的内容，而且我感到有点不知所措，因为这个（看似）简单示例的解决方案仍然困扰着我。

很明显，我不知道我错了什么或哪里错了。有什么建议吗？

根据评论中提供的一些建议，我认为我成功地使我的演示管道正常工作。我将首先包含更新的代码：

from kfp.v2 import compiler
from kfp.v2.dsl import pipeline, component, Dataset, Input, Output
from datetime import datetime
from google.cloud import aiplatform
from typing import NamedTuple


# Importing 'COMPONENTS' of the 'PIPELINE'

@component(
    packages_to_install=[
        "google-cloud-storage",
        "pandas",
    ],
    base_image="python:3.9",
    output_component_file="get_data.yaml"
)
def get_data(
    bucket: str,
    url: str,
    dataset: Output[Dataset],
):
    """Reads a csv file, from some location in Cloud Storage"""
    import ast
    import pandas as pd
    from google.cloud import storage
    
    # 'Pulling' demo .csv data from a know location in GCS
    storage_client = storage.Client("my-project")
    bucket = storage_client.get_bucket(bucket)
    blob = bucket.blob(url)
    blob.download_to_filename('localdf.csv')
    
    # Reading the pulled demo .csv data
    df = pd.read_csv('localdf.csv', compression='zip')
    df['new_skills'] = df['new_skills'].apply(ast.literal_eval)
    df.to_csv(dataset.path + ".csv" , index=False, encoding='utf-8-sig')


@component(
    packages_to_install=["pandas"],
    base_image="python:3.9",
    output_component_file="report_data.yaml"
)
def report_data(
    inputd: Input[Dataset],
) -> NamedTuple("output", [("rows", int), ("columns", int)]):
    """From a passed csv file existing in Cloud Storage, returns its dimensions"""
    import pandas as pd
    
    df = pd.read_csv(inputd.path+".csv")
    
    return df.shape


# Building the 'PIPELINE'

@pipeline(
    # i.e. in my case: PIPELINE_ROOT = 'gs://my-bucket/test_vertex/pipeline_root/'
    # Can be overriden when submitting the pipeline
    pipeline_root=PIPELINE_ROOT,
    name="readcsv-pipeline",  # Your own naming for the pipeline.
)
def my_pipeline(
    url: str = "test_vertex/pipeline_root/program_grouping_data.zip",
    bucket: str = "my-bucket"
):
    dataset_task = get_data(bucket, url)

    dimensions = report_data(
        dataset_task.output
    )
    

# Compiling the 'PIPELINE'    

compiler.Compiler().compile(
    pipeline_func=my_pipeline, package_path="pipeline_job.json"
)


# Running the 'PIPELINE'

TIMESTAMP = datetime.now().strftime("%Y%m%d%H%M%S")

run1 = aiplatform.PipelineJob(
    display_name="my-pipeline",
    template_path="pipeline_job.json",
    job_id="mlmd-pipeline-small-{0}".format(TIMESTAMP),
    parameter_values={
        "url": "test_vertex/pipeline_root/program_grouping_data.zip",
        "bucket": "my-bucket"
    },
    enable_caching=True,
)

# Submitting the 'PIPELINE'

run1.submit()

现在，我将添加一些补充评论，总之，这些评论设法解决了我的问题：

• 首先，为您的用户启用“日志查看器”(roles/logging.viewer)，将极大地帮助解决管道中的任何现有错误（注意：该角色对我有用，但是您可能想要寻找更好的匹配）为了你自己的目的而扮演的角色）。这些错误将显示为“日志”，可以通过单击相应的按钮来访问：

• 注意：在上图中，当显示“日志”时，仔细检查每个日志（接近创建管道的时间）可能会有所帮助，因为通常每个日志都对应一个警告或错误行：

• 其次，我的管道的输出是一个元组。在我原来的方法中，我只是返回普通元组，但建议返回命名元组 https://docs.python.org/3/library/typing.html#typing.NamedTuple反而。一般来说，如果需要输入/输出一个或多个“小值“（int 或 str，出于任何原因），选择一个 NamedTuple 来执行此操作。
• 第三，当管道之间的连接是Input[Dataset] or Ouput[Dataset]，需要添加文件扩展名（并且很容易忘记）。以输出为例get_data组件，并注意如何通过专门添加文件扩展名来记录数据，即dataset.path + ".csv".

当然，这是一个非常小的示例，项目可以轻松扩展到大型项目，但是作为某种“Hello Vertex AI Pipelines”，它会很好地工作。

谢谢。