Связаться с намиПодключиться

Использование данных из Object Storage для обучения модели в Yandex DataSphere

Статья создана
Обновлена 2 декабря 2024 г.

Вы создадите бакет в Object Storage, смонтируете его к файловой системе Windows с помощью rclone и загрузите туда данные для обучения модели в Yandex DataSphere.

Чтобы использовать данные из Object Storage для обучения модели в DataSphere:

  1. Подготовьте инфраструктуру.
  2. Создайте статический ключ доступа.
  3. Создайте бакет.
  4. Настройте подключение к Object Storage.
  5. Смонтируйте бакет.
  6. Подготовьте данные для обучения.
  7. Создайте коннектор S3.
  8. Подключите бакет к проекту.
  9. Обучите модель.

Если созданные ресурсы вам больше не нужны, удалите их.

Перед началом работы

Перед началом работы нужно зарегистрироваться в Yandex Cloud, настроить сообщество и привязать к нему платежный аккаунт:

  1. На главной странице DataSphere нажмите Попробовать бесплатно и выберите аккаунт для входа — Яндекс ID или рабочий аккаунт в федерации (SSO).
  2. Выберите организацию Yandex Cloud Organization, в которой вы будете работать в Yandex Cloud.
  3. Создайте сообщество.
  4. Привяжите платежный аккаунт к сообществу DataSphere, в котором вы будете работать. Убедитесь, что у вас подключен платежный аккаунт, и он находится в статусе ACTIVE или TRIAL_ACTIVE. Если платежного аккаунта нет, создайте его в интерфейсе DataSphere.

В стоимость реализации обучения модели с помощью данных из Object Storage входят:

Подготовьте инфраструктуру

Войдите в консоль управления Yandex Cloud и выберите организацию, в которой вы работаете с DataSphere. На странице Yandex Cloud Billing убедитесь, что у вас подключен платежный аккаунт.

Если у вас есть активный платежный аккаунт, на странице облака вы можете создать или выбрать каталог, в котором будет работать ваша инфраструктура.

Примечание

Если вы работаете с Yandex Cloud через федерацию удостоверений, вам может быть недоступна платежная информация. В этом случае обратитесь к администратору вашей организации в Yandex Cloud.

Подготовьте рабочее окружение

Скачайте и установите дистрибутив winfsp с сайта производителя.

Скачайте с сайта производителя и распакуйте в свою рабочую директорию на локальном компьютере:

Создайте каталог

  1. В консоли управления выберите облако и нажмите кнопку Создать каталог.
  2. Введите имя каталога, например, data-folder.
  3. Нажмите кнопку Создать.

Создайте сервисный аккаунт для Object Storage

Для доступа к бакету в Object Storage вам понадобится сервисный аккаунт с ролью storage.editor.

  1. В консоли управления перейдите в каталог data-folder.
  2. В списке сервисов выберите Identity and Access Management.
  3. Нажмите кнопку Создать сервисный аккаунт.
  4. Введите имя сервисного аккаунта, например, datasphere-sa.
  5. Нажмите Добавить роль и назначьте сервисному аккаунту роль storage.editor.
  6. Нажмите кнопку Создать.

Создайте статический ключ доступа

Чтобы получить доступ к Object Storage из DataSphere, вам понадобится статический ключ.

  1. В консоли управления перейдите в каталог, которому принадлежит сервисный аккаунт.
  2. В списке сервисов выберите Identity and Access Management.
  3. На панели слева выберите Сервисные аккаунты.
  4. В открывшемся списке выберите сервисный аккаунт datasphere-sa.
  5. На верхней панели нажмите кнопку Создать новый ключ.
  6. Выберите Создать статический ключ доступа.
  7. Задайте описание статического ключа и нажмите кнопку Создать.
  8. Сохраните идентификатор и секретный ключ. После закрытия диалога значение ключа будет недоступно.

  1. Создайте статический ключ доступа для сервисного аккаунта datasphere-sa:

    yc iam access-key create --service-account-name datasphere-sa

    Результат:

    access_key:
  id: aje6t3vsbj8l********
  service_account_id: ajepg0mjt06s********
  created_at: "2022-07-18T14:37:51Z"
  key_id: 0n8X6WY6S24N7Oj*****
secret: JyTRFdqw8t1kh2-OJNz4JX5ZTz9Dj1rI9hx*****

    Подробнее о команде yc iam access-key create см. в справочнике CLI.

  2. Сохраните идентификатор key_id и секретный ключ secret. Получить значение ключа снова будет невозможно.

Чтобы создать статический ключ доступа, воспользуйтесь методом create для ресурса AccessKey.

Создайте бакет

  1. В консоли управления выберите каталог, в котором хотите создать бакет.
  2. В списке сервисов выберите Object Storage.
  3. Справа сверху нажмите кнопку Создать бакет.
  4. В поле Имя укажите имя бакета в соответствии с правилами именования.
  5. В полях Доступ на чтение объектов, Доступ к списку объектов и Доступ на чтение настроек выберите Ограниченный.
  6. Нажмите кнопку Создать бакет.

  1. Если у вас еще нет AWS CLI, установите и сконфигурируйте его.

  2. Создайте бакет, указав имя бакета в соответствии с правилами именования:

    aws --endpoint-url https://storage.yandexcloud.net \
  s3 mb s3://<имя_бакета>

    Результат:

    make_bucket: <имя_бакета>

Примечание

Terraform взаимодействует с Object Storage от имени сервисного аккаунта. Назначьте сервисному аккаунту нужную роль, например storage.admin, на каталог, в котором будут создаваться ресурсы.

Если у вас еще нет Terraform, установите его и настройте провайдер Yandex Cloud.

  1. Опишите в конфигурационном файле параметры для создания сервисного аккаунта и ключа доступа:

    ...
// Создание сервисного аккаунта
resource "yandex_iam_service_account" "sa" {
  name = "<имя_сервисного_аккаунта>"
}

// Назначение роли сервисному аккаунту
resource "yandex_resourcemanager_folder_iam_member" "sa-admin" {
  folder_id = "<идентификатор_каталога>"
  role      = "storage.admin"
  member    = "serviceAccount:${yandex_iam_service_account.sa.id}"
}

// Создание статического ключа доступа
resource "yandex_iam_service_account_static_access_key" "sa-static-key" {
  service_account_id = yandex_iam_service_account.sa.id
  description        = "static access key for object storage"
}

  2. Добавьте в конфигурационный файл блок с параметрами бакета, указав имя бакета в соответствии с правилами именования:

    resource "yandex_storage_bucket" "<имя_бакета>" {
  access_key = yandex_iam_service_account_static_access_key.sa-static-key.access_key
  secret_key = yandex_iam_service_account_static_access_key.sa-static-key.secret_key
  bucket     = "<имя_бакета>"
}

    Подробнее о ресурсе yandex_storage_bucket см. в документации провайдера Terraform.

  3. Создайте ресурсы:

    1. В терминале перейдите в папку, где вы отредактировали конфигурационный файл.

    2. Проверьте корректность конфигурационного файла с помощью команды:

      terraform validate

      Если конфигурация является корректной, появится сообщение:

      Success! The configuration is valid.

    3. Выполните команду:

      terraform plan

      В терминале будет выведен список ресурсов с параметрами. На этом этапе изменения не будут внесены. Если в конфигурации есть ошибки, Terraform на них укажет.

    4. Примените изменения конфигурации:

      terraform apply

    5. Подтвердите изменения: введите в терминале слово yes и нажмите Enter.

    Terraform создаст все требуемые ресурсы. Проверить появление ресурсов и их настройки можно в консоли управления.

Используйте метод REST API create для ресурса Bucket, вызов gRPC API BucketService/Create или метод S3 API create.

Настройте подключение к Object Storage

Чтобы перенести данные с локального диска в Object Storage, вам нужно настроить утилиту rclone.

  1. В рабочей директории запустите командную строку от имени администратора и выполните команду:

    .\psexec -i -s cmd.exe

  2. В открывшейся консоли выполните команду whoami и убедитесь, что сессия запущена от имени системного пользователя.

  3. Перейдите в рабочую директорию и запустите конфигурацию утилиты rclone:

    rclone.exe config

  4. Следуя запросам приложения, создайте новый профиль подключения:

    1. Выберите создание нового профиля: введите в терминал значение n.
    2. Введите имя подключения: s3-connect.
    3. Выберите тип хранилища: введите в терминал значение 4.
    4. Выберите провайдера: введите в терминал значение 1.
    5. Выберите ручной способ ввода учетных данных: введите в терминал значение 1.
    6. Введите в терминале идентификатор секретного ключа.
    7. Введите в терминале значение секретного ключа.
    8. Укажите регион: введите в терминал значение ru-central1.
    9. Укажите эндпоинт: введите в терминал значение storage.yandexcloud.net.
    10. Остальные настройки можно оставить по умолчанию — нажимайте Enter, чтобы их пропустить.

Примечание

При необходимости вы можете выполнить расширенную настройку подключения. Для этого на шаге Edit advanced config? введите в терминале y. Подробнее с расширенными настройками можно ознакомиться на странице документации утилиты rclone.

Смонтируйте бакет к файловой системе Windows

  1. Проверьте подключение к бакету. В той же командной строке, где выполнялась настройка подключения, выполните команду, указав имя бакета:

    rclone.exe ls s3-connect:<имя_бакета>

    Если конфигурация настроена правильно, в консоль будет выведен список объектов бакета.

  2. Смонтируйте бакет в файловую систему, указав имя бакета и свободную букву диска в файловой системе:

    rclone.exe mount s3-connect:<имя_бакета> <буква_диска>: --vfs-cache-mode full

    В проводнике Windows появится новый диск с объектами из бакета.

Подготовьте данные для обучения

  1. Скачайте CSV-файл, содержащий данные по предсказанию наличия диабета. Датасет создан на основе данных Kaggle за 2015 год.
  2. Скопируйте файл в смонтированный бакет.

Подключите бакет к проекту

Чтобы подключиться к бакету из DataSphere, вам понадобится коннектор S3:

  1. Выберите нужный проект в своем сообществе или на главной странице DataSphere во вкладке Недавние проекты.

  2. В правом верхнем углу нажмите кнопку Создать ресурс. Во всплывающем окне выберите Коннектор S3.
  3. Заполните поля:
    • Имя — имя создаваемого коннектора, например s3-datasphere-connect.
    • Эндпоинт — хост Object Storage — https://storage.yandexcloud.net/.
    • Бакет — имя вашего бакета.
    • Имя раздела при подключении — название тома при монтировании бакета в файловую систему проекта.
    • Идентификатор статического ключа доступа, который используется для подключения к хранилищу.
    • В поле Статический ключ доступа нажмите Создать. В открывшемся окне введите имя секрета и секретный ключ, который используется для подключения к хранилищу.
  4. Нажмите кнопку Создать.
  5. Перейдите на страницу коннектора S3 и нажмите кнопку Активировать. После активации бакет будет доступен в интерфейсе JupyterLab в списке на вкладке S3 Mounts , и его можно будет просматривать как файловую систему.

Обучите модель

Склонируйте Git-репозиторий, в котором находится ноутбук diabetes_catboost.ipynb с примером обучения модели CatBoost:

  1. Откройте проект DataSphere:

    1. Выберите нужный проект в своем сообществе или на главной странице DataSphere во вкладке Недавние проекты.

    2. Нажмите кнопку Открыть проект в JupyterLab и дождитесь окончания загрузки.
    3. Откройте вкладку с ноутбуком.
  2. В верхнем меню нажмите Git и выберите Clone.
  3. В открывшемся окне введите URI репозитория https://github.com/yandex-cloud-examples/yc-datasphere-s3-mount.git и нажмите кнопку Clone.

В ноутбуке diabetes_catboost.ipynb вы подключитесь к датасету diabetes_data.csv в вашем смонтированном бакете и обучите модель CatBoost:

  1. Установите необходимые модули:

    %pip install catboost
%pip install scikit-learn
%pip install ipywidgets

  2. Импортируйте необходимые библиотеки:

    import pandas as pd
from catboost import CatBoostClassifier
from sklearn.metrics import classification_report
from sklearn.model_selection import train_test_split

  3. Загрузите данные для обучения:

    data = pd.read_csv('<путь_к_датасету>')
data.head()

    Чтобы получить путь к файлу diabetes_data.csv, во вкладке S3 Mounts нажмите на него правой кнопкой мыши и выберите Copy path.

  4. Разделите факторы для обучения и целевую переменную:

    X = data.loc[:, data.columns != 'Diabetes_binary']
y = data['Diabetes_binary']

  5. Разделите выборку на обучающую и тестовую:

    X_train, X_validation, y_train, y_validation = train_test_split(X, y, train_size=0.75, random_state=42)

  6. Создайте классификатор СatBoost и задайте гиперпараметры:

    model = CatBoostClassifier(
  iterations=100,
  random_seed=42,
  logging_level='Verbose'
)

  7. Запустите обучение модели:

    model.fit(
  X_train, y_train,
  eval_set=(X_validation, y_validation),
  plot=True
)

  8. Выведите метрики качества обученной модели на экран:

    print(classification_report(y_validation, model.predict(X_validation)))

Как удалить созданные ресурсы

Чтобы перестать платить за созданные ресурсы:

Предыдущая
Регулярное распознавание аудиофайлов в бакете
Следующая
Подключение к Object Storage из VPC