用华为MindSpore框架训练数据库类型的数据集

技术背景

在前面一篇博客我们讲到三种用python去读取一个文件的指定行的操作，最终给出的一个结论大概是，对于大型的数据而言，最快的找到指定行的方法是Linux系统自带的sed指令，那么是否只有这一种办法了呢？很显然不是，之所以采用这些方法，是因为我们被局限在数据的存储格式上，如果在处理数据或者产生数据的阶段，就把数据按照特定的数据结构进行存储，那么就能够大大的提高数据读取的效率。这里我们要介绍一个用sqlite3来读取数据用于MindSpore的训练的案例，在有限的内存空间中避免完整的去加载整个数据集。

Sqlite3产生随机数据

因为大部分的Python中是预装了sqlite3的，这就避免了我们自己再去重复安装的麻烦，比如Spark和PySpark就是安装起来比较麻烦的典型案例，当然其性能和分布式的处理也是非常具有优越性的。这里我们看一个用sqlite3产生训练数据的案例，这个案例的原型来自于这篇博客，其函数表达形式为：

\[z(x,y)=ax^2+by^3+c \]

# store_data_to_db.py
import numpy as np
import sqlite3
from tqdm import trange

conn = sqlite3.connect('xyz.db') # 创建或者链接一个已有db文件
cur = conn.cursor()

try:
    sql_1 = '''CREATE TABLE number
                    (i NUMBER,
                     x NUMBER,
                     y NUMBER,
                     z NUMBER);'''
    cur.execute(sql_1) # 执行数据库指令，创建一个新的表单
except:
    pass

def get_data(num, a=2.0, b=3.0, c=5.0):
    for _ in trange(num):
        x = np.random.uniform(-1.0, 1.0)
        y = np.random.uniform(-1.0, 1.0)
        noise = np.random.normal(0, 0.03)
        z = a * x ** 2 + b * y ** 3 + c + noise # 计算数据
        # 将一行数据写入数据库
        cur.execute("INSERT INTO number VALUES({},{},{},{})".format(_, x**2, y**3, z))

get_data(100) # 产生100组数据
conn.commit()
cur.close()
conn.close()

在这个案例中我们一共产生了100组的测试数据，运行过程如下：

(base) dechin@ubuntu2004:~/projects/gitlab/dechin/src/mindspore$ python3 store_data_to_db.py 
100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:00<00:00, 29504.11it/s]
(base) dechin@ubuntu2004:~/projects/gitlab/dechin/src/mindspore$ ll | grep xyz.db
-rw-r--r-- 1 dechin dechin    8192 6月   1 15:43 xyz.db

运行完成后，会在当前目录下产生一个名为xyz.db的数据库文件，在可迁移性上是比较灵活的。需要特别提及的是，这里我们不仅存储了x,y,z这3个变量，同时也存储了index数据，这样方便我们对数据进行检索和查找。在程序的最后一步，一定要执行commit才能够将数据保存到数据库文件中，否则不会被保存。

数据库文件的读取

接着上一个章节的内容，我们用Ipython来测试一下是否成功的将数据写入到了数据库文件中（这里number是表单的名字）：

(base) dechin@ubuntu2004:~/projects/gitlab/dechin/src/mindspore$ ipython
Python 3.8.5 (default, Sep  4 2020, 07:30:14) 
Type 'copyright', 'credits' or 'license' for more information
IPython 7.19.0 -- An enhanced Interactive Python. Type '?' for help.

In [1]: import sqlite3

In [2]: conn = sqlite3.connect('xyz.db')

In [3]: cur = conn.cursor()

In [4]: cur.execute('SELECT * FROM number WHERE i=0')
Out[4]: <sqlite3.Cursor at 0x7fd08bd5cc70>

In [5]: print (cur.fetchall())
[(0, 0.0099305893254821, -0.003805282402773131, 5.014158221453069)]

In [6]: cur.execute('SELECT * FROM number WHERE i=99')
Out[6]: <sqlite3.Cursor at 0x7fd08bd5cc70>

In [7]: print (cur.fetchall())
[(99, 0.1408058052492868, -0.5207606243222331, 3.7101686456005116)]

In [8]: cur.execute('SELECT * FROM number WHERE i=100')
Out[8]: <sqlite3.Cursor at 0x7fd08bd5cc70>

In [9]: print (cur.fetchall())
[]

In [10]: cur.close()
    ...: conn.close()

在这个案例中我们可以看到，成功的读取了第0个数据和第99个数据，如果超过这个范围去检索，会返回一个空的值。返回的结果是被包在一个list中的tuple，所以注意读取的方式要用cur.fetchall()[0][0]才能够读取到这一列中的第一个元素。

与MindSpore的结合

在介绍完数据的产生和存储、数据库文件的读取两个工作后，结合起来我们可以尝试从数据库文件中去加载训练数据，用于MindSpore的模型训练。这里我们不展开去介绍MindSpore的模型和代码，在前面的这一篇博客中有介绍相关的细节，让我们直接看一下代码：

# dataset_test.py

from mindspore import context
context.set_context(mode=context.GRAPH_MODE, device_target="GPU")
import numpy as np
from mindspore import dataset as ds
from mindspore import nn, Tensor, Model
import time
from mindspore.train.callback import Callback, LossMonitor
import sqlite3

conn = sqlite3.connect('xyz.db')
cur = conn.cursor()

def get_data(num, a=2.0, b=3.0, c=5.0):
    for _ in range(num):
        cur.execute('SELECT * FROM number WHERE i={}'.format(_))
        data = cur.fetchall()[0]
        yield np.array([[float(data[1])],
                        [float(data[2])]],dtype=np.float32).reshape(1,2), np.array([float(data[3])]).astype(np.float32)

def create_dataset(num_data, batch_size=16, repeat_size=1):
    input_data = ds.GeneratorDataset(list(get_data(num_data)), column_names=['xy','z'])
    input_data = input_data.batch(batch_size)
    input_data = input_data.repeat(repeat_size)
    return input_data

data_number = 100
batch_number = 10
repeat_number = 20

ds_train = create_dataset(data_number, batch_size=batch_number, repeat_size=repeat_number)

class LinearNet(nn.Cell):
    def __init__(self):
        super(LinearNet, self).__init__()
        self.fc = nn.Dense(2, 1, 0.02, 0.02)

    def construct(self, x):
        x = self.fc(x)
        return x

net = LinearNet()
model_params = net.trainable_params()
print ('Param Shape is: {}'.format(len(model_params)))
for net_param in net.trainable_params():
    print(net_param, net_param.asnumpy())
net_loss = nn.loss.MSELoss()

optim = nn.Momentum(net.trainable_params(), learning_rate=0.01, momentum=0.6)
model = Model(net, net_loss, optim)

epoch = 1
model.train(epoch, ds_train, callbacks=[LossMonitor(10)], dataset_sink_mode=False)

for net_param in net.trainable_params():
    print(net_param, net_param.asnumpy())

cur.close()
conn.close()

跟前面的博客中类似的是，我们还是用了MindSpore的GeneratorDataset这个方法来构造数据，并且通过get_data函数逐个的返回数据库中对应位置的数据。可以看一下是否能够成功训练：

(base) dechin@ubuntu2004:~/projects/gitlab/dechin/src/mindspore$ singularity exec --nv /home/dechin/tools/singularity/mindspore-gpu_1.2.0.sif python dataset_test.py 
Param Shape is: 2
Parameter (name=fc.weight, shape=(1, 2), dtype=Float32, requires_grad=True) [[0.02 0.02]]
Parameter (name=fc.bias, shape=(1,), dtype=Float32, requires_grad=True) [0.02]
epoch: 1 step: 10, loss is 15.289665
epoch: 1 step: 20, loss is 4.292768
epoch: 1 step: 30, loss is 2.199254
epoch: 1 step: 40, loss is 0.558127
epoch: 1 step: 50, loss is 1.2218236
epoch: 1 step: 60, loss is 2.0977945
epoch: 1 step: 70, loss is 2.0961792
epoch: 1 step: 80, loss is 1.107859
epoch: 1 step: 90, loss is 1.1687267
epoch: 1 step: 100, loss is 1.166467
epoch: 1 step: 110, loss is 0.73308593
epoch: 1 step: 120, loss is 1.2287892
epoch: 1 step: 130, loss is 1.2843382
epoch: 1 step: 140, loss is 1.996727
epoch: 1 step: 150, loss is 1.9126663
epoch: 1 step: 160, loss is 1.1095876
epoch: 1 step: 170, loss is 1.1662093
epoch: 1 step: 180, loss is 2.1144183
epoch: 1 step: 190, loss is 1.6211499
epoch: 1 step: 200, loss is 2.0198507
Parameter (name=fc.weight, shape=(1, 2), dtype=Float32, requires_grad=True) [[1.0131103  0.27144054]]
Parameter (name=fc.bias, shape=(1,), dtype=Float32, requires_grad=True) [5.3248053]

训练完成，虽然我们看到最终拟合出来的数据效果不是很好，但是从流程上来说我们已经达成了通过数据库格式的数据来构造MindSpore的训练数据输入的目的。

总结概要

本文按照数据流的顺序，分别介绍了：使用sqlite3数据库存储数据、从sqlite3数据库中读取数据、使用从sqlite3数据库中的数据构造MindSpore可识别的训练数据集。对于输入的数据量比较大的场景，我们不太可能将全部的数据都加载到内存中，这就要考虑各种可以快速存储和读取的方案，数据库就是一种比较常见的方案。而sqlite3作为一款非常轻量级的数据库，在大部分的Python3中都是内置的，省去了很多编译安装的繁琐。当然性能表现可能不如其他的数据库，但是在我们这边给定的场景下，表现还是非常优秀的！