MMLSpark为Apache Spark提供了大量深度学习和数据科学工具，包括将Spark Machine Learning管道与Microsoft Cognitive Toolkit（CNTK）和OpenCV进行无缝集成，使您能够快速创建功能强大，高度可扩展的大型图像和文本数据集分析预测模型。

如果想及时了解Spark、Hadoop或者Hbase相关的文章，欢迎关注微信公共帐号：iteblog_hadoop

MMLSpark需要Scala 2.11，Spark 2.1+，以及Python 2.7或Python 3.5+。

MMLSpark 开源地址：https://github.com/Azure/mmlspark

显着特点

• 从 HDFS 轻松摄取图像到Spark DataFrame（示例：301）
• 使用 OpenCV 进行转换的预处理图像数据（示例：302）
• 使用 CNTK 进行预训练的深层神经网络（示例：301）
• 使用来自 Keras 预先训练的双向LSTM进行医疗实体提取（示例：304）
• 在 Azure 上的N系列GPU虚拟机上训练基于DNN的图像分类模型
• 通过单个变换器在SparkML中的基元上方使用方便的API实现自由格式的文本数据（示例：201）
• 列车分类和回归模型容易通过数据的隐式特征化（示例：101）
• 计算一组丰富的评估指标，包括每个实例的指标（示例：102）

所有的示例可以参见：这里

一个简单的示例

以下是使用预先训练的 CNN 在 CIFAR-10 数据集中分类图像的简单示例的摘录。完整的代码参见：这里

...
import mmlspark
# Initialize CNTKModel and define input and output columns
cntkModel = mmlspark.CNTKModel() \
                    .setInputCol("images").setOutputCol("output") \
                    .setModelLocation(modelFile)
# Train on dataset with internal spark pipeline
scoredImages = cntkModel.transform(imagesWithLabels)
...

安装

Docker

使用MMLSpark 的最简单方法是通过预先编译好的Docker container，为了使用它，你先要运行下面的命令：

docker run -it -p 8888:8888 -e ACCEPT_EULA=yes microsoft/mmlspark

然后通过浏览器访问 http://localhost:8888，这里我们可以运行简单的示例代码，更详细的使用请参见官方文档：这里

Spark package

当然，除了在 Docker container 里面使用 MMLSpark 之外，我们还可以直接通过 --packages 选项直接在现有的Spark集群中使用 MMLSpark，具体如下：

spark-shell --packages Azure:mmlspark:0.9
pyspark --packages Azure:mmlspark:0.9
spark-submit Azure:mmlspark:0.9 MyApp.jar

更多关于 MMLSpark 的使用和介绍，请参见官方文档。