简介
Analytics Zoo是由Intel开源,基于Apache Spark和Inte BigDL的大数据分析和AI平台，方便用户开发基于大数据、端到端的深度学习应用。
系统要求
- JDK 8
- Spark 集群(推荐使用EMR支持的Spark 2.x)
- python-2.7(python 3.5,3.6也支持), pip
安装Analytics Zoo
Analytics Zoo 最新的release版本是0.2.0
Scala安装
下载pre-build版本
可以从github，analytics主页下载到pre-build版本
通过script build
安装Apache Maven,设置Maven环境
export MAVEN_OPTS="-Xmx2g -XX:ReservedCodeCacheSize=512m"
如果使用ECS机器进行编译，推荐修改Maven仓库mirror
<mirror>
<id>nexus-aliyun</id>
<mirrorOf>central</mirrorOf>
<name>Nexus aliyun</name>
<url>http://maven.aliyun.com/nexus/content/groups/public</url>
</mirror>
下载Analytics Zoo release版本,解压后在目录下运行
bash make-dist.sh
build结束后，在dist目录中包含了所有的运行环境。将dist目录放到EMR软件栈运行时统一目录。
cp -r dist/ /usr/lib/analytics_zoo
python 安装
Analytics Zoo支持pip安装和非pip安装，pip安装会安装pyspark，bigdl等，由于EMR集群已经安装了pyspark，通过pip安装有可能引起冲突，所以采用非pip安装。
非Pip安装
首先要运行
bash make-dist.sh
进入pyzoo目录，安装analytcis zoo
python setup.py install
设置环境变量
在scala安装结束后将dist目录放到了EMR软件栈统一目录，然后设置环境变量。编辑/etc/profile.d/analytics_zoo.sh，加入
export ANALYTICS_ZOO_HOME=/usr/lib/analytics_zoo
export PATH=$ANALYTICS_ZOO_HOME/bin:$PATH
EMR已经设置了SPARK_HOME，所以无需再次设置。
使用Analytics Zoo
使用Spark来训练和测试深度学习模型
使用Analytics Zoo来做文本分类，代码和说明在github。根据说明下载必须的数据。提交命令：
spark-submit --master yarn \
--deploy-mode cluster --driver-memory 8g \
--executor-memory 20g --class com.intel.analytics.zoo.examples.textclassification.TextClassification \
/usr/lib/analytics_zoo/lib/analytics-zoo-bigdl_0.6.0-spark_2.1.0-0.2.0-jar-with-dependencies.jar --baseDir /news
通过ssh proxy来查看spark运行详情页面。
同时查看日志，能够看到每个epoch的accuracy信息等。
INFO optim.DistriOptimizer$: [Epoch 2 9600/15107][Iteration 194][Wall Clock 193.266637037s] Trained 128 records in 0.958591653 seconds. Throughput is 133.52922 records/second. Loss is 0.74216986.
INFO optim.DistriOptimizer$: [Epoch 2 9728/15107][Iteration 195][Wall Clock 194.224064816s] Trained 128 records in 0.957427779 seconds. Throughput is 133.69154 records/second. Loss is 0.51025534.
INFO optim.DistriOptimizer$: [Epoch 2 9856/15107][Iteration 196][Wall Clock 195.189488678s] Trained 128 records in 0.965423862 seconds. Throughput is 132.58424 records/second. Loss is 0.553785.
INFO optim.DistriOptimizer$: [Epoch 2 9984/15107][Iteration 197][Wall Clock 196.164318688s] Trained 128 records in 0.97483001 seconds. Throughput is 131.30495 records/second. Loss is 0.5517549.
在Analytics Zoo中使用pyspark和Jupyter来进行深度学习训练
安装jupyter
pip install jupyter
使用下面命令启动。
jupyter-with-zoo.sh
使用Analytics Zoo,采用内置的Wide And Deep 模型来进行推荐，相关内容可参考github。
首先导入数据
然后定义模型和优化器
进行训练
查看训练结果
