模型存储格式

Angel的模型是以矩阵为单位来保存的，每一个矩阵在模型保存路径下对应一个以矩阵名命名的文件夹，里面包含矩阵的元数据文件和数据文件。一个矩阵只有一个元数据文件，但是一般有多个数据文件，因为Angel的大部分算法模型都是从PS导出的。

元数据文件

元数据采用JSON格式保存。矩阵元数据主要由矩阵特征，分区索引和行相关索引组成：分别由MatrixFilesMeta，MatrixPartitionMeta和RowPartitionMeta类来描述。

MatrixFilesMeta

用途：矩阵相关信息具体包含字段：

  • matrixId：矩阵ID
  • rowType：矩阵类型，可参看RowType类
  • row：矩阵行数
  • blockRow：矩阵分区块行数
  • col：矩阵列数
  • blockCol：矩阵分块块列数
  • matrixName：矩阵名字
  • formatClassName：矩阵存储格式
  • options：其他矩阵参数
  • partMetas：矩阵分区索引

MatrixPartitionMeta

用途：分区元数据具体包含字段：

  • startRow：分区起始行行号
  • endRow：分区结束行行号
  • startCol：分区起始列列号
  • endCol：分区结束列列号
  • nnz：分区非零元素个数（暂时没用）
  • fileName：分区数据所在文件名
  • offset：分区数据在文件中的位置
  • length：分区数据长度（字节数）
  • saveRowNum：分区中保存的行数
  • saveColNum：分区中保存的列数（只在列主序格式中有用）
  • saveColElemNum：每一列保存的元素个数（只在列主序格式中有用）
  • rowMetas：分区行索引

RowPartitionMeta

用途：分区的某一行分片对应的元数据具体包含字段：

  • rowId：行号
  • offset：行数据在文件中的位置
  • elementNum：该行包含的元素个数
  • saveType：该行保存的文件格式

数据文件格式

Angel2.0采用了用户自定义的模型格式。即可以根据实际需求定制模型输出格式。一般情况下，使用Angel的默认模型输出格式即可。由于Angel默认的输出格式比较简单，大部分并不需要依赖元数据文件就可以直接解析。

默认格式说明

Angel提供了8中默认的模型输出格式：ValueBinaryRowFormat，ColIdValueBinaryRowFormat，RowIdColIdValueBinaryRowFormat，ValueTextRowFormat，ColIdValueTextRowFormat，RowIdColIdValueTextRowFormat，BinaryColumnFormat和TextColumnFormat。 下面分别介绍这8种格式。

ValueBinaryRowFormat

  • 说明：二进制格式，只包含模型的值。这种格式只适合单行稠密的模型，由于数据文件中没有列号（特征索引），所以需要从模型元数据中获取索引范围。
  • 格式：|value|value|…|

ColIdValueBinaryRowFormat

  • 说明：二进制格式，包含特征索引和对应的值。这种格式适合单行模型，例如LR等。
  • 格式：|index|value|index|value|…|

RowIdColIdValueBinaryRowFormat

  • 说明：二进制格式，包含模型的行号，特征索引和对应的值。这种格式可以表示多行模型。
  • 格式：|rowid|index|value|rowid|index|value|…|

ValueTextRowFormat

  • 说明：文本格式，只包含模型的值，每个值是一个单独的行。与ValueBinaryRowFormat类似这种格式只适合单行稠密的模型，由于数据文件中没有列号（特征索引），所以需要充模型元数据中获取索引范围。
  • 格式：valuevaluevalue

ColIdValueTextRowFormat

  • 说明：文本格式，包含特征索引和对应的值，每一行是一个特征id和值的对，特征id和值之间的分隔符默认是逗号。这种格式适合单行模型，例如LR等。
  • 格式：index,valueindex,valueindex,value

RowIdColIdValueTextRowFormat

  • 说明：文本格式，包含行号，特征索引和对应的值，每一行是一个行号，特征id和值的对。行号，特征id和值之间的分隔符默认是逗号。这种格式可以表示多行模型。
  • 格式：rowid,index,valuerowid,index,valuerowid,index,value

BinaryColumnFormat

  • 说明：二进制格式，这种格式是以列主序来输出一个矩阵，目前只用于Embedding相关的输出（例如DNN，FM等算法中的Embedding层）。模型格式为
  • 格式：|index|row1 value|row2 value|…|index|row1 value|row2 value|…|

TextColumnFormat

  • 说明：文本格式，这种格式是以列主序来输出一个矩阵，目前只用于Embedding相关的输出（例如DNN，FM等算法中的Embedding层），每一个行是一个列。分隔符默认是逗号。
  • 格式：index,row1 value,row2 value,…index,row1 value,row2 value,…index,row1 value,row2 value,…

具体算法输出格式

Angel的算法目前基本都是基于新的计算图框架来实现的，计算图中的每一层都可以单独设置模型格式。在默认的情况下，SimpleInputLayer使用的是ColIdValueTextRowFormat，Embedding层使用的是TextColumnFormat，FCLayer使用的是RowIdColIdValueTextRowFormat。

  • LR，线性回归，SVM：默认的模型保存格式为ColIdValueTextRowFormat。
  • GBDT：RowIdColIdValueTextRowFormat
  • FM：线性部分使用的是ColIdValueTextRowFormat，Embedding层使用的是TextColumnFormat
  • DeepFM, DNN，Wide And Deep，PNN，NFM等：线性部分使用的是ColIdValueTextRowFormat，Embedding层使用的是TextColumnFormat，全连接部分使用的是RowIdColIdValueTextRowFormat

当然，如果你不想使用默认格式，可以通过参数配置模型输出格式：

  • ml.simpleinputlayer.matrix.output.format：SimpleInputLayer使用的输出格式
  • ml.embedding.matrix.output.format：Embedding使用的输出格式
  • ml.fclayer.matrix.output.format：FCLayer使用的输出格式

更进一步，如果Angel提供8种格式无法满足你的要求，你也可以扩展RowFormat类或者ColumnFormat类来自定义需要的格式。具体实现方式很简单，你可以参考目前已有的8种类型。实现完成后，编译打包并通过Angel提供的参数加入Angel的依赖路径，同时通过上面提到的四个参数进行配置来使用自定义的输出格式。