本文介绍了如何利用Apache Pulsar的Serverless计算框架Pulsar Functions，结合Python函数实现机器学习模型的实时推测。通过一个鸢尾花数据集的案例，详细阐述了如何安装配置Pulsar，定义Python函数进行模型训练与推测，并演示了如何部署和触发Pulsar Function以实现单次或批量推测。Pulsar Functions为实时AI应用提供了灵活且强大的解决方案，能够无缝处理大量实时数据，并将推理结果直接用于下游任务，打破了传统机器学习工作流的局限性。

🚀 Pulsar Functions作为Apache Pulsar的Serverless计算框架，能够通过Python函数实现机器学习模型的实时推测，打破了传统机器学习工作流的局限性，为需要实时AI的场景提供了解决方案。

🌸 文章以经典的鸢尾花数据集为例，展示了如何构建一个实时的推理引擎。首先需要安装和配置Pulsar实例，然后定义用于机器学习推测的Python函数，该函数能够加载或训练模型，并根据输入的特征数据进行预测。

🧠 在模型训练部分，使用了`pickle`模块将训练好的决策树分类器序列化保存，以实现模型的复用和高效加载，避免了每次函数调用都重新训练模型。在生产环境中，模型文件的存储可以考虑使用Pulsar Topic或云存储等方式。

💡 通过继承Pulsar的`Function`类并实现`process`方法，可以构建Pulsar Function来处理输入数据并返回推测结果。文章还提供了部署和触发Function的命令示例，包括单次推测和批量推测的实现方式，展示了其灵活性。

🌟 Pulsar Functions能够赋能具有大量实时数据的发布/订阅系统，实现复杂推理模型的无缝处理，并将推理结果直接消费或用于下游任务，是实现实时AI Pipeline的有效途径。

通过 Pulsar Functions ，可以使用 Python 函数发布与订阅消息，实现实时的机器学习推测。

各行各业在决策过程中都有运用 AI 和机器学习的需求。尽管已有强大的算力和实时事件数据支撑，考虑到实时重新训练及评估的难度，实时 AI 这个方向尚未取得长足进展。

Pulsar Functions 是基于 Apache Pulsar 的 Serverless  计算框架，它提供了一个方便而强大的解决方案，打破了传统机器学习工作流的局限性。

利用 Pulsar 固有的 pub/sub 特性，Pulsar Functions 可以为真正的实时 AI 提供一个框架。

Pulsar Functions 有广阔的使用场景，本文将重点关注其灵活性，并探索它如何为需要实时推测和结果的机器学习 pipeline 提供解决方案。

概述

我们的目标是构建一个通过 Pulsar Functions 实现的实时推理引擎，该引擎可以一次性或批量检索低延迟的推测信息。这一目标的实现过程可以拆解为以下两步：

安装、配置和启动 Pulsar。

定义构成推理引擎的 Python 函数。

下文将通过一个示例介绍实现过程，重点聚焦 Python 开发以及注册/触发 Pulsar Functions 的调用接口。

启动独立的 Apache Pulsar 实例

通常，Pulsar 会被部署在一个集群中，而非本地独立实例；但独立实例的形式更便于我们在实时 AI 的场景下进行实践。

启动实例步骤可参考 Pulsar 官方文档；输入以下命令：

bin/pulsar standalone

数据集配置

实例运行后，我们需要定义一个 Pulsar Function 来为机器学习提供示例。这里用到的是经典的 Iris Dataset 鸢尾花数据集。该数据集由 Edgar Anderson 收集创建，并由 Ronald Fisher 推广，包含 3 种共 50 朵花的数据，包括：

萼片长度（sepallength）：萼片的测量长度

萼片宽度（sepalwidth）：萼片的测量宽度

花瓣长度（petallength）：花瓣的测量长度

花瓣宽度（petalwidth）：花瓣的测量宽度

种类：花的种类（山鸢尾 Setosa、变色鸢尾 Versicolor或维吉尼亚鸢尾 Virginica）

下面附上相关数据的部分概览。

我们的目标是根据输入特性准确推测花的种类。模型 pipeline 的两个核心组成部分是训练和推测，后者正是本文 Pulsar 实践的落脚点。

构建 Pulsar Function

Pulsar Function 可以通过独立的 Python 脚本创建，其中包含将要部署的函数。如前所述，模型推测 routine 将是 Pulsar Function 的基础。在这个框架中，函数本身大部分都是标准的 Python 函数，只有极少为 Pulsar 专用；这一点极大地减少了代码的部署时间以及专业 Python 开发人员的时间。

让我们从拉取鸢尾花数据、训练模型并将其写入 Pulsar Topic 这一基础流程入手。

import osimport pickleimport pandas as pdfrom pulsar import Functionfrom sklearn.model_selection import train_test_splitfrom sklearn.tree import DecisionTreeClassifierdef train_iris_model():    # If we already have an existing model file, we can load it right away    if os.path.exists("model.pkl"):        print("We are loading a pre-existing model")        return pickle.load(open("model.pkl", 'rb'))    # Read in the iris data, split into a 20% test component    iris = pd.read_csv("https://datahub.io/machine-learning/iris/r/iris.csv")    train, test = train_test_split(iris, test_size=0.2, stratify=iris['class'])    # Get the training data    X_train = train[['sepalwidth', 'sepallength', 'petalwidth', 'petallength']]    y_train = train['class']    # Get the test data    X_test = test[['sepalwidth', 'sepallength', 'petalwidth', 'petallength']]    y_test = test['class']    # Train the model    model = DecisionTreeClassifier(max_depth=3, random_state=1)    model.fit(X_train, y_train)    # Dump the model object to a file    pickle.dump(model, open("model.pkl", 'wb'))    return model

这组代码训练出一个决策树分类器（decision tree classifier），会根据萼片和花瓣的宽度和长度来推测花的种类。决策树分类器可以直观地表示为基于特征值的一系列决策，最终在到达树的叶节点（leaf node）时给出结论。下面是一个衍生出的示例决策树。

需要注意的一点是：我们在训练中使用 pickle 模块对模型进行序列化。这将把模型转储到工作目录中的文件中。如果序列化后的模型可用，后续对函数的调用将直接读取模型，而非经由重新训练。这一步对接下来的动作非常关键，因为它实现了一个单独的 routine，负责在收集新数据时对模型进行持续评估、增强和重新训练。

然而，在生产环境中，例如使用 Kubernetes 容器运行 Pulsar 时，工作目录可能是临时的，反而需要引入一些其他解决方案。几种可能性包括：

模型本身可以存储在 Pulsar Topic 中。序列化的格式可以写为 base64 编码的字符串并按需读取，而非从磁盘读取文件。

如果需要物理模型文件，序列化文件本身可以存储在云端；函数运行时，文件可以被下载并读取。

训练决策树分类器的代码完成后，就可以构建代表 Pulsar Function 的 routine 了。我们将在 Pulsar 中创建 Function 类的 IrisPredictionFunction 子类，并执行两种方法：一种是没有特定功能的 init() 方法，另一种是 process() 方法，负责在给定输入和用户上下文时，从模型中返回推测结果。

class IrisPredictionFunction(Function):    # No initialization code needed    def __init__(self):        pass    def process(self, input, context):        # Convert the input ratio to a float, if it isn't already        flower_parameters = [float(x) for x in input.split(",")]        # Get the prediction        model = train_iris_model()        return model.predict([flower_parameters])[0]

Function 不依赖于用户上下文，而是依赖输入。由于模型训练是基于萼片长度、萼片宽度、花瓣长度和花瓣宽度四个特征数据实现的，我们需要按照顺序提供每个特征数据才能得到推测结果。方便起见，我们使用以逗号分隔的字符串输入信息。

1.8,2.1,4.0,1.4

这代表一朵尺寸如下的花：

萼片长度：1.8

萼片宽度：2.1

花瓣长度：4.0

花瓣宽度：1.4

我们的 Pulsar Function 将使用此字符串，在逗号处拆分并将值转换为浮点，然后将它们传递给模型推测 routine。

部署 Pulsar Function

Pulsar独立客户端运行时，部署Function只需要创建和触发两步。创建：

bin/pulsar-admin functions create                  --tenant public   --namespace default   --name iris_prediction_1   --py iris_prediction.py   --timeout-ms 10000   --classname iris_prediction.IrisPredictionFunction   --inputs persistent://public/default/in   --output persistent://public/default/out

注意一些参数：

--name 定义了 Fucntion 任务的名（唯一即可）以便查询和管理。

--py 是上文编写的 Python 代码脚本文件的名称。

--classname 是 Python 脚本中的类名称。

触发 Function 并传递前文示例参数：

bin/pulsar-admin functions trigger   --tenant public   --namespace default   --name iris_prediction_1   --trigger-value 1.8,2.1,4.0,1.4

批量推测

简单修改上述 Function 即可实现批量推测。添加下述类，用于创建一个新的 Pulsar Function：

class IrisPredictionFunctionBulk(Function):    # No initialization code needed    def __init__(self):        pass    def process(self, input, context):        # Convert the input parameters to floats, if they aren't already        flower_parameters_str = input.split(":")        flower_parameters_split = [x.split(",") for x in flower_parameters_str]        flower_parameters_float = [[float(x) for x in y] for y in flower_parameters_split]        # Get the prediction        model = train_iris_model()        return ", ".join(model.predict(flower_parameters_float))

用于批量推测的 Function 有以下特点：

定义了一个新的类名，以便在注册函数时区分。

涵盖可能有不止一组花的测量值的场景，使用 : 字符分割。

将推测结果输出为以逗号分隔的字符串。

和之前一样，我们注册 Function、定义一个新名称，并引用刚创建的正确类名称：

bin/pulsar-admin functions create   --tenant public   --namespace default   --name iris_prediction_bulk_1   --py iris_prediction.py   --timeout-ms 10000   --classname iris_prediction.IrisPredictionFunctionBulk   --inputs persistent://public/default/in   --output persistent://public/default/out

触发 Function 并一次性传递三组花的测量值：

bin/pulsar-admin functions trigger   --tenant public   --namespace default   --name iris_prediction_bulk_1   --trigger-value 1.8,2.1,4.0,1.4:0.1,0.1,0.1,0.1:1.8,2.5,0.5,5.0

以上是一个简单的案例，在 Python 中使用 Pulsar Functions 并基于测量值对鸢尾花种类进行实时推测。

这个案例仅触及到 Pulsar Functions 的浅层应用，可以当作对基于 Pulsar 实现实时AI Pipeline 的投石问路。

通过 Pulsar 核心框架赋能，具有大量实时数据的复杂发布/订阅系统可以实现无缝处理； 推理模型的输出结果可以直接被消费，甚至用于下游任务。