单元 4：任务流设计¶

本节将通过以下方式介绍如何设计智能任务流：

基于样例任务流设计可供快速开始的任务流。
新建任务流以熟悉智能任务流的整体功能。

若要了解任务流产品中各类算子的功能和使用方法，可参考算子参考文档。

选项 1：基于样例任务流设计任务流¶

导出样例任务流¶

通过以下步骤导出样例任务流配置：

登录 EnOS 管理控制台，从左侧导航栏中选择 智能工作室 > 智能任务流，打开 实验列表 首页。
选择 样例作业流，找到 wind-power-forecast 并选择 任务流查看。本教程使用的样例任务流在 2.3 更新 1 中进行了更新。
选择导出下载任务流配置文件。

新建实验¶

通过以下步骤新建实验：

登录 EnOS 管理控制台，从左侧导航栏中选择 智能工作室 > 智能任务流，打开 实验列表 首页。
选择 新建实验，输入实验的名称（winddemo）和描述。
选择确定，创建实验并打开实验的 任务流设计 页面，进行任务流的设计和开发。
选择导入将样例任务流配置导入。

更新全局参数设计¶

当任务流中有某些参数需经常变动且全局适用时，建议将其作为全局参数：

易于调试。调试代码时，全局参数的配置是全局性的，避免了重复每个算子中的相同参数的重新配置，将显著提升开发效率
易于传参调用。外部调用任务流时可以通过全局参数传递参数给算子使用
易于任务流模板沉淀。将需要变化的参数作为全局参数统一配置，也可保持算子本身设计的稳定性

本教程中使用的全局参数已在样例任务流中配置，可选择画布右侧的任务流设置图标 pipeline_setting 查看。其中每个参数的含义如下表所示：

编号	参数名称	含义
1	resourcepool	用于指定模型部署实例使用的资源池。需要更新为本 OU 下的资源池。
2	datasetname	用于指定使用的数据集名称。本教程中使用的是样例数据集。
3	tasktype	用于控制任务流的分支走向： prediction 表示任务流会走向预测分支 training 表示任务流会走向训练分支
4	predictiontype	用于控制任务流的预测类型： file 表示通过 Mlflow 模型文件预测 service 表示通过发布的模型服务预测
5	lenoflist	用于指定产生的 looplist 的长度。其值模拟的是实际场景中的风机数量，依据使用场景的不同而有不同定义。
6	modelinstnacename	用于指定训练好的模型部署实例名称。
7	prediction_dataset_name	用于指定训练数据集。
8	sample_split_ratio	用于指定数据集中训练集和预测集的分配比例。
9	hdfs_source	用于指定将模型文件上传的 HDFS 数据源。数据源需先在数据源连接中创建。
10	hive_source	用于指定将预测结果上传的 Hive 数据源。数据源需先在数据源连接中创建。
11	ouid	当前 OU ID。
12	prediction_instance	用于指定预测任务的实例名称。当训练分支完成后，其值应与 modelinstnacename 一致以便使用训练好的模型进行预测。

主画布设计¶

主画布中包括以下两个条件逻辑算子：

Condition for Training：全局参数 tasktype==training 时执行训练分支任务。
Condition for Prediction：全局参数 tasktype==prediction 时执行预测分支任务。

检查训练分支任务¶

双击 Condition for training 算子可进入其子画布，其中包含以下算子：

Recursion for Event Trigger，确定原始数据何时可用于模型训练的 Recursion 算子。在本教程中，其生成的随机数小于5，则表明数据准备就绪。
Generate Target List，生成一个循环列表用于后续 ParallelFor 算子循环并发训练任务的 PythonEx 算子。确保 workspace 为 wind_power_forecasting 以及 entrypoint 为 generate_model_list.py 。
Loop for Model Training，并发执行训练任务的 ParallelFor 算子。双击进入子画布可查看或编辑以下算子。

Operator Name	Description
Prepare Training Data	此 PythonEx 算子用于准备训练数据并导出数据文件。确保 workspace 为 wind_power_forecasting、entrypoint 为 prepare_train_data.py 以及 requirements 为 requirements1.txt。
Model Training	此 PythonEx 算子用于根据输入数据训练模型并输出训练模型。确保 workspace 为 wind_power_forecasting、entrypoint 为 train_model.py 以及 requirements 为 requirements2.txt。
Create a Model	此 Model 算子用于创建一个模型。
Create a Model Revision	此 Mlflow Model Version Register 算子用于在指定模型里注册一个 Mlflow 类型的模型版本。
Create a Model Instance	此 Model Instance 算子用于创建一个模型的部署实例。
Create a Model Test Operator	此 Model Test 算子用于测试模型版本是否为可发布成模型服务的有效模型。
Deploy the Model Revision	此 Single Model Deployment 算子可基于已上架的模型版本部署单一模型版本的模型服务（或模型上线），上线成功后，会产生一个可供调用的模型服务。

检查预测分支任务¶

双击 Condition for Prediction 算子可进入其子画布，其中包含以下算子：

Generate Target List for prediction, 产生一个循环列表用于后续 ParallelFor 算子循环并发预测任务的 PythonEx 算子。确保 workspace 为 wind_power_forecasting 以及 requirements 为 generate_model_list.py。
Loop For prediction，并发执行预测任务的 ParallelFor 算子。Loop For prediction 子画布包含以下 2 个算子:
- Condition for Service Prediction Type 算子：当全局参数 predictiontype 的参数值为 service 时，基于已发布模型服务执行模型预测任务。
- Condition for Model File Prediction 算子：当全局参数 predictiontype 的参数值为 file 时，基于 Mlflow 模型文件执行模型预测任务。

Condition for Service Prediction Type 算子¶

此算子基于已发布的模型服务进行预测。双击可进入子画布，其中包含以下算子：

算子名称	功能描述
Prepare Prediction Data	此 PythonEx 算子用于准备预测使用的数据，通过 result_datafile file 类型的输出参数提供给预测算子使用。确保 `workspace` 为 wind_power_forecasting、entrypoint 为 prepare_predict_data.py 以及 requirements 为 requirements1.txt。
Predict from Service	此 Service Prediction 算子基于模型服务进行预测，通过 predictions file 型参数返回预测结果。
Write results	此 PythonEx 算子用于接收预测算子的预测结果并将结果写入文件。确保 `workspace` 为 wind_power_forecasting 以及 entrypoint 为 write_results.py。
Check Hive Config	此 PythonCode 算子用于检查当前 OU 下是否有 Hive 库可供预测结果存储。确保 `workspace` 为 wind_power_forecasting 以及 entrypoint 为 check_hive_config.py。
Export to Hive?	此 Condition 算子在当前 OU 下有 Hive 库时将预测结果保存至 EnOS Hive。双击可进入子画布，其中包含以下算子： Generate Variables，此 PythonEx 算子可生成 HDFS 目录路径以及用于将文件上传至 EnOS Hive 的 SQL 语句。确保 `workspace` 为 wind_power_forecasting 以及 entrypoint 为 generate_variables.py。 HDFS Uploader，此 HDFS Uploader 算子将预测结果上传至指定的 HDFS 目录。 Hive，此 Hive 算子将存在 HDFS 中的预测结果写入 Hive 库以便于后续可视化操作。

Condition for Model File Pprediction 算子¶

此算子基于 Mlflow 模型文件进行预测。双击可进入子画布，其中包含以下算子：

算子名称	功能描述
Get Latest Model Version	此 PythonEx 算子用于获取该模型下的最新模型版本用以预测。确保 `workspace` 为 wind_power_forecasting 以及 entrypoint 为 get_latest_model_version.py。
Prepare Prediction Data 2	此 PythonEx 算子用于准备预测使用的数据，通过 result_datafile file 类型的输出参数提供给预测算子使用模型服务进行预测，预测结果通过 predictions file 型参数返回。确保 workspace 为 wind_power_forecasting、entrypoint 为 prepare_predict_data.py 以及 requirements 为 requirements1.txt。
Predict from Mlflow Model File	此 Mlflow Model Version Prediction 算子基于 Mlflow 模型文件进行预测，通过 predictions file 类型参数返回预测结果。
Write results 2	此 PythonEx 算子用于接收预测算子的预测结果并将结果写入文件。确保 `workspace` 为 wind_power_forecasting 以及 entrypoint 为 write_results.py。
Check Hive Config 2	此 PythonCode 算子用于检查当前 OU 下是否有 Hive 库可供预测结果存储。确保 `workspace` 为 wind_power_forecasting 以及 entrypoint 为 check_hive_config.py。
Export to Hive 2?	此 Condition 算子在当前 OU 下有 Hive 库时将预测结果保存至 EnOS Hive。双击可进入子画布，其中包含以下算子： Generate Variables 2，此 PythonEx 算子可生成 HDFS 目录路径以及用于将文件上传至 EnOS Hive 的 SQL 语句。确保 `workspace` 为 wind_power_forecasting 以及 entrypoint 为 generate_variables.py。 HDFS Uploader 2，此 HDFS Uploader 算子将预测结果上传至指定的 HDFS 目录。 Hive 2，此 Hive 算子将存在 HDFS 中的预测结果写入 Hive 库以便于后续可视化操作。

选项 2：新建任务流¶

新建实验¶

通过以下步骤新建实验：

登录 EnOS 管理控制台，从左侧导航栏中选择 智能工作室 > 智能任务流 ，打开 实验列表 首页。
在 自建作业流 标签页中选择 新建实验。
在弹出窗口中输入实验的名称（winddemo）和描述。
选择确定，创建实验并打开实验的 任务流设计 页面，进行任务流的设计和开发。

添加全局参数¶

当任务流中的某些参数需经常变动且全局适用时，建议将其作为全局参数，从而提高配置效率且便于参数管理。

通过以下步骤配置全局参数：

选择任务流设置图标，打开任务流设置页面。
选择 添加参数，添加以下全局参数：

编号	名称	类型	参数值
1	resourcepool	resource_pool	用于指定模型部署实例使用的资源池。在下拉菜单中选择当前 OU 的主资源池。
2	dataset_name	string	用于指定使用的数据集。输入 sample-power-forecast 以使用该样例数据集。
3	tasktype	string	用于控制任务流的任务类型：输入 training 进行训练任务，输入 prediction 进行预测任务。此处输入 training ，将预测任务设置为缺省任务类型。
4	predictiontype	string	用于控制任务流的预测类型：输入 file 进行 Mlflow 模型文件预测，输入 service 进行模型服务预测。此处输入 service 将模型服务预测设置为缺省预测类型。
5	lenoflist	number	用于指定生成 looplist 的长度。其值模拟的是在实际场景中的风机数量。输入 1 ，模拟一个风机的场景。
6	modelinstancename	string	用于指定训练好的模型部署实例名称。输入 kmmldsdeployinstance1 指定该模型部署实例。
7	prediction_dataset_name	string	用于指定执训练数据集。输入 sample-power-forecast 以使用此数据集训练模型。
8	sample_split_ratio	number	用于指定数据集中训练集与预测集的分配比例。输入 0.75，将75%的数据用于模型训练，25%的数据用于模型预测。
9	hdfs_source	hdfs_source	用于指定上传模型文件的 HDFS 数据源，需预先在数据源连接中创建。在下拉菜单中选择 HDFS 数据源。
10	hive_source	hive_source	用于指定上传预测结果的 Hive 数据源，需预先在数据源连接中创建。在下拉菜单中选择 Hive 数据源。
11	ouid	string	用于指定所在 OU。输入当前 OU ID。
12	prediction_instance	model_instance	用于指定预测任务的实例名称。当训练分支完成后，其值应与 modelinstnacename 一致以便使用训练好的模型进行预测。输入 kmmldsdeploymentinstance1 指定此预测实例。

主画布设计¶

主画布中包括两个 Condition 算子：

Condition 算子 1：任务类型为“训练”时执行训练分支任务。
Condition 算子 2：任务类型为“预测”时执行预测分支任务。

通过以下步骤添加 Condition 算子 1：

从算子列表中拖拽一个 Condition 算子到主画布中。
选择此算子，配置以下信息：
- 名称：输入 Condition for Training。
- 表达式：配置为 引用 | tasktype | == | 声明| training。

通过以下步骤添加 Condition 算子 2：

从算子列表中拖拽一个 Condition 算子到主画布中。
选择此算子，配置以下信息：
- 名称：输入 Condition for Prediction。
- 表达式：配置为 引用 | tasktype | == | 声明| prediction。

配置训练任务¶

本教程中，训练分支包含数据准备、模型训练、模型版本测试、模型部署等过程。在主画布中，双击 Condition for Training 算子打开子画布，你需要在 Condition for Prediction 子画布中添加 3 个算子：

Recursion 算子：确定原始数据何时可用于模型训练。在本教程中，其生成的随机数小于5，则表明数据准备就绪。
PythonEx 算子：生成用于后续 ParallelFor 算子循环并发训练的循环列表。
ParallelFor 算子：并发执行模型训练任务。

配置准备原始数据的 Recursion 算子¶

通过以下步骤添加 Recursion 算子：

从算子列表中拖拽一个 Recursion 算子到 Condition for Training 子画布中。
双击此 Recursion 算子，进入其子画布。
从算子列表中拖拽一个 PythonEx 算子到 Recursion 算子的子画布中。
选择此 PythonEX 算子，配置以下信息：
- 名称：输入 Generate a Number between 1-10。
- workplace：选择 wind_power_forecasting。
- entrypoint：选择 generate_random_int.py。
- 选择 输出参数 > 添加参数 为算子添加输出参数，并配置为 result_number | number。
选择导航栏上的 Condition for Training 标签，返回 Condition 算子子画布。
选择此 Recursion 算子，配置以下信息：
- 名称：输入 Recursion for Event Trigger。
- 表达式：配置为 Reference | Generate a Number between 1-10.result_number | < | Declaration | 5。
选择顶部工具栏的保存图标以保存配置信息。

配置生成循环列表的 PythonEx 算子¶

通过以下步骤添加 PythonEx 算子：

从算子列表中拖拽一个 PythonEx 算子到 Condition for Training 子画布中。
连接 Recursion for Event Trigger 算子的输出锚点与该 PythonEx 算子的输入锚点。
选择此 PythonEx 算子，配置以下信息：
- 名称：输入 Generate Target List。
- workspace: 选择 wind_power_forecasting。
- entrypoint: 选择 generate_model_list.py。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 lenoflist | number | Reference | lenoflist。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 result_number | list。
选择顶部工具栏的保存图标以保存配置信息。

配置并发执行模型训练任务的 ParallelFor 算子¶

通过以下步骤添加 ParallelFor 算子：

从算子列表中拖拽一个 ParallelFor 算子到 Condition for Training 子画布中。
连接 Generate Target List 算子的输出锚点与该 ParallelFor 算子的输入锚点。
选择此 ParallelFor 算子，配置以下信息：
- 名称：输入 Loop for Model Training。
- 输入参数：配置为 引用 | Generate Target List.result_list | item。

Loop For Model Training 算子负责训练模型，并部署训练完成的模型。你需要在 Loop For Model Training 子画布中添加 7 个算子：

PythonEx 算子 1：处理训练所需的数据，并输出数据文件。
PythonEx 算子 2：基于数据训练模型，并输出训练过的模型。
Model 算子：创建一个新模型。
Mlflow Model Version Register 算子：在创建的模型里注册一个 Mlflow 类型的模型版本，并导出模型版本文件。
Model Instance 算子：创建模型部署实例。
Model Test 算子：测试模型版本是否可发布为有效模型。
Single Model Deployment 算子：基于已上架的模型版本部署单一模型版本。

通过以下步骤添加 PythonEx 算子 1：

从算子列表中拖拽一个 PythonEx 算子到 Loop For Model Training 子画布中。
选择此 PythonEx 算子，配置以下信息：
- 名称：输入 Prepare Training Data。
- workspace: 选择 wind_power_forecasting。
- entrypoint: 选择 prepare_training_data.py。
- requirement：选择 requirement1.txt。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 datasetname | string | Reference | dataset_name。
- 选择 输入参数 > 添加参数 为算子添加另一输入参数，并配置为 ratio | number | Reference | sample_split_ratio。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 result_datafile | file。

通过以下步骤添加 PythonEx 算子 2：

从算子列表中拖拽一个 PythonEx 算子到 Loop For Model Training 子画布中。
连接 Prepare Training Data 算子的输出锚点与该 PythonEx 算子的输入锚点。
选择此 PythonEx 算子，配置以下信息：
- 名称：输入 Model Training。
- workspace: 选择 wind_power_forecasting。
- entrypoint: 选择 train_model.py。
- requirement：选择 requirement2.txt。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 result_datafile | file | Reference | Prepare Training Data.result_datafile。

通过以下步骤添加 Model 算子：

从算子列表中拖拽一个 Model 算子到 Loop For Model Training 子画布中。

选择此 Model 算子，配置以下信息：

名称：输入 Create a Model。
category: 选择 model-predictor。
model_name: 引用 item。
input_data_type：选择 Text。
scope：选择 private。
technique：选择 matching。
usecase：选择 Light field。
publisher：选择 system。

为 input_format 参数输入以下代码：

[   {      "annotations": "",      "defaultValue": 300,      "dtype": "int",      "ftype": "continuous",      "name": "i.set",      "range": [0, 440],      "repeat": 0      },{      "annotations": "",      "defaultValue": 300,      "dtype": "int",      "ftype": "continuous",      "name": "X_basic.forecast_time",      "range": [0, 440],      "repeat": 0},{      "annotations": "",      "defaultValue": 300,      "dtype": "int",      "ftype": "continuous",      "name": "X_basic.horizon",      "range": [0, 440],      "repeat": 0},{      "annotations": "",      "defaultValue": 8,      "dtype": "int",      "ftype": "continuous",      "name": "X-basic.time",      "range": [0, 49],      "repeat": 0},{      "annotations": "",      "defaultValue": 10,      "dtype": "int",      "ftype": "continuous",      "name": "X-basic.hour",      "range": [0, 23],      "repeat": 0},{      "annotations": "",      "defaultValue": 10,      "dtype": "int",      "ftype": "continuous",      "name": "EC.nwp_time",      "range": [0, 23],      "repeat": 0},{      "annotations": "",      "defaultValue": 1.5,      "dtype": "float",      "ftype": "continuous",      "name": "EC.dist",      "range": [1, 2],      "repeat": 0},{      "annotations": "",      "defaultValue": 1.5,      "dtype": "float",      "ftype": "continuous",      "name": "EC.ws",      "range": [1, 2],      "repeat": 0},{      "annotations": "",      "defaultValue": 250,      "dtype": "float",      "ftype": "continuous",      "name": "EC.wd",      "range": [240, 300],      "repeat": 0},{      "annotations": "",      "defaultValue": 1,      "dtype": "float",      "ftype": "continuous",      "name": "EC.rho",      "range": [1, 2],      "repeat": 0},{      "annotations": "",      "defaultValue": 850,      "dtype": "float",      "ftype": "continuous",      "name": "EC.pres",      "range": [820, 900],      "repeat": 0},{      "annotations": "",      "defaultValue": 20,      "dtype": "float",      ftype": "continuous",      "name": "EC.tmp",      "range": [18, 30],      "repeat": 0},{      "annotations": "",      "defaultValue": 1,      "dtype": "float",      "ftype": "continuous",      "name": "GFS.nwp_time",      range": [1, 2],      "repeat": 0},{      "annotations": "",      "defaultValue": 20,      "dtype": "int",      "ftype": "continuous",      "name": "GFS.dist",      "range": [12, 100],      "repeat": 0},{      "annotations": "",      "defaultValue": 1,      "dtype": "float",      "ftype": "continuous",      "name": "GFS.ws",      range": [1, 2],      "repeat": 0      },{      "annotations": "",      "defaultValue": 50,      "dtype": "float",      "ftype": "continuous",      "name": "GFS.wd",      "range": [40, 300],      "repeat": 0      },{      "annotations": "",      "defaultValue": 1,      "dtype": "float",      "ftype": "continuous",      "name": "GFS.rho",      "range": [1, 2],      "repeat": 0},{      "annotations": "",      "defaultValue": 850,      "dtype": "float",      "ftype": "continuous",      "name": "GFS.pres",      "range": [840, 900],      "repeat": 0},{      "annotations": "",      "defaultValue": 19,      "dtype": "float",      "ftype": "continuous",      "name": "GFS.tmp",      "range": [18, 20],      "repeat": 0}      ]

为 output_format 参数输入以下代码：

[   {      "annotations": "",      "defaultValue": 0,      "dtype": "float",      "ftype": "continuous",      "name": "power",      "range": [],      "repeat": 0}]

interface：选择 REST。
error_on_exit：选择 false。

通过以下步骤添加 Mlflow Model Version Register 算子：

从算子列表中拖拽一个 Mlflow Model Version Register 算子到 Loop For Model Training 子画布中。
连接 Create a model 算子和 Model Training 算子的输出锚点与该 Mlflow Model Version Register 算子的输入锚点。
选择此 Mlflow Model Version Register 算子，配置以下信息：
- 名称：输入 Create a Model Revision。
- 为 input data 参数输入以下代码：
```
{      "data": {      "names": [      "i.set",      "X_basic.forecast_time",      "X_basic.horizon",      "X-basic.time",      "X-basic.hour",      "EC.nwp_time",      "EC.dist",      "EC.ws",      "EC.wd",      "EC.rho",      "EC.pres",      "EC.tmp",      "GFS.nwp_time",      "GFS.dist",      "GFS.ws",      "GFS.wd",      "GFS.rho",      "GFS.pres",      "GFS.tmp"],      "ndarray": [      [      300,      300,      300,      8,      10,      10,      1.5,      1.5,      250,      1,      850,      20,      1,      20,      1,      50,      1,      850,      19]      ]}      }
```
- version_rule: 选择 time。
- architecture: 选择 X86。
- coprocessor: 选择 None。
- framework：选择 sklearn。
- language：选择 python3。
- model_reference：引用 Create a Model.model_name_output。
- publisher：选择 system。
- minio_paths：引用 Generate Target List.mlflow_model_file_paths。
- enforce_register: 选择 true，确保在未能通过模型测试时也能正常注册模型版本。
- serve_as_file：选择 true，算子将保存模型文件，用于模型文件预测任务。

通过以下步骤添加 Model Instance 算子：

从算子列表中拖拽一个 Model Instance 算子到 Loop For Model Training 子画布中。
连接 Create a model 算子的输出锚点与该 Model Instance 算子的输入锚点。
选择此 Model Instance 算子，配置以下信息：
- 名称：输入 Create a Model Instance。
- name：引用 modelinstancename。
- resource_pool：引用 resourcepool。
- model_name：引用 Create a Model.model_name_output。
- deploy_mode：选择 ONLINE。

通过以下步骤添加 Model Test 算子：

从算子列表中拖拽一个 Model Test 算子到 Loop For Model Training 子画布中。
连接 Create a Model Revision 算子的输出锚点与该 Model Test 算子的输入锚点。

选择此 Model Test 算子，配置以下信息：

名称：输入 Create a Model Test。

为 input_dat 参数输入以下代码：

{      "data": {      "names": [      "i.set",      "X_basic.forecast_time",      "X_basic.horizon",      "X-basic.time",      "X-basic.hour",      "EC.nwp_time",      "EC.dist",      "EC.ws",      "EC.wd",      "EC.rho",      "EC.pres",      "EC.tmp",      "GFS.nwp_time",      "GFS.dist",      "GFS.ws",      "GFS.wd",      "GFS.rho",      "GFS.pres",      "GFS.tmp"],      "ndarray": [      [      300,      300,      300,      8,      10,      10,      1.5,      1.5,      250,      1,      850,      20,      1,      20,      1,      50,      1,      850,      19      ]      ]}      }

model_builder: 引用 Create a Model Revision.model_builder_name。
test_timeout: 输入 300。

通过以下步骤添加 Single Model Deployment 算子：

从算子列表中拖拽一个 Single Model Deployment 算子到 Loop For Model Training 子画布中。
连接 Create a Model Instance 算子、Create a Model Revision 算子和 Create a Model Test 算子的输出锚点与该 Single Model Deployment 算子的输入锚点。
选择此 Single Model Deployment 算子，配置以下信息：
- 名称：输入 Deploy the Model Revision。
- model_revision：引用 Create a Model Revision.model_revision_name。
- instance_name：引用 Create a Model Instance.instance_name_output。
- request_cpu：输入 0.5。
- request_memory：输入 0.5。
- limit_cpu：输入 0.8。
- limit_memory：输入 0.8。
选择顶部工具栏的保存图标以保存配置信息。

配置完成的 Loop For Model Training 子画布如下所示：

配置预测任务¶

在主画布中，双击 Condition for Prediction 算子打开子画布。你需要在 Condition for Prediction 子画布中添加 2 个算子。

PythonEx 算子：生成用于模型预测任务的循环列表。
ParallelFor 算子：执行模型预测任务。

配置生成循环列表的 PythonEx 算子¶

通过以下步骤添加 PythonEx 算子：

从算子列表中拖拽一个 PythonEx 算子到 Condition for Prediction 子画布中。
选择此 PythonEx 算子，配置以下信息：
- 名称：输入 Generate Target List for Prediction。
- workspace：选择 wind_power_forecasting。
- entrypoint：选择 generate_model_list.py。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 lenoflist | number | Reference | lenoflist。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 result_list | file。
选择顶部工具栏的保存图标以保存配置信息。

配置并发执行模型预测任务的 ParallelFor 算子¶

通过以下步骤添加 ParallelFor 算子：

从算子列表中拖拽一个 ParallelFor 算子到 Condition for Prediction 子画布中。
连接 Generate Target List for Prediction 算子的输出锚点与该 ParallelFor 算子的输入锚点。
选择此 ParallelFor 算子，配置以下信息：
- 名称：输入 Loop For prediction。
- 输入参数：配置为 引用 | Generate Target List.result_list | item。
选择顶部工具栏的保存图标以保存配置信息。

本教程包含以下两种模型预测任务类型：基于 Mlflow 模型文件的预测，以及基于已发布模型服务的预测。你需要在 Loop For prediction 子画布中添加 2 个 Condition 算子以执行不同类型的预测任务：

Condition 算子 1：当全局参数 predictiontype 的参数值为 service 时，基于已发布模型服务执行模型预测任务。
Condition 算子 2：当全局参数 predictiontype 的参数值为 file 时，基于 Mlflow 模型文件执行模型预测任务。

配置执行模型服务预测的 Condition 算子¶

通过以下步骤添加 Condition 算子：

从算子列表中拖拽一个 Condition 算子到 Loop For prediction 子画布中。
选择此算子，配置以下信息：
- 名称：输入 Condition for Service Prediction Type。
- 表达式：配置为 引用 | predictiontype | == | 声明| service。

Condition for Service Prediction Type 算子执行模型服务预测，并导出预测结果文件。若当前 OU 下有可用 EnOS Hive 数据源，可将预测结果文件上传至 Hive 表格。你需要在 Condition for Service Prediction Type 子画布中添加 5 个算子：

PythonEx 算子 1：准备预测数据。
Service Prediction 算子：基于模型服务执行预测任务，并输出预测结果。
PythonEx 算子 2：将预测结果与真实数据写入文件。
PythonCode 算子：检查当前 OU 下是否有可用于存储预测结果文件的 EnOS Hive。
Condition 算子：在 EnOS Hive 可用时将结果文件存储至 EnOS Hive。

通过以下步骤添加 PythonEx 算子 1：

从算子列表中拖拽一个 PythonEx 算子到 Condition for Service Prediction Type 子画布中。
选择此 PythonEx 算子，配置以下信息：
- 名称：输入 Prepare Prediction Data。
- workspace：选择 wind_power_forecasting。
- entrypoint：选择 prepare_predict_data.py。
- requirements: 选择 requirements1.txt。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 datasetname | string | Reference | dataset_name。
- 选择 输入参数 > 添加参数 为算子添加另一输入参数，并配置为 ratio | number | Reference | sample_split_ratio。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 features | file。
- 选择 输出参数 > 添加参数 为算子添加另一输出参数，并配置为 raw_data | file。

通过以下步骤添加 Service Prediction 算子：

从算子列表中拖拽一个 Service Prediction 算子到 Condition for Service Prediction Type 子画布中。
连接 Prepare Prediction Data 算子的输出锚点与该 Service Prediction 算子的输入锚点。
选择此 Service Prediction 算子，配置以下信息：
- 名称：输入 Predict from Service。
- model：引用 item1。
- instance：引用 modelinstancename。
- namespace：引用 resourcepool。
- datatype：选择 csv。
- data：引用 Prepare Prediction Data.features。

通过以下步骤添加 PythonEx 算子 2：

从算子列表中拖拽一个 PythonEx 算子到 Condition for Service Prediction Type 子画布中。
连接 Prepare Prediction Data 算子和 Prediction from Service 算子的输出锚点与该 PythonEx 算子的输入锚点。
选择此 PythonEx 算子，配置以下信息：
- 名称：输入 Write results。
- workspace：选择 wind_power_forecasting。
- entrypoint：选择 write_results.py。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 predicted_data | file | Reference | Predict from Service.predictions。
- 选择 输入参数 > 添加参数 为算子添加另一输入参数，并配置为 actual_data | file | Reference | Prepare Prediction Data.raw_data。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 outputfile | file。

通过以下步骤添加 PythonCode 算子：

从算子列表中拖拽一个 PythonCode 算子到 Condition for Service Prediction Type 子画布中。
选择此 PythonCode 算子，配置以下信息：
- 名称：输入 Check Hive Config。
- workspace：选择 wind_power_forecasting。
- entrypoint：选择 check_hive_config.py。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 hive_source | hive_source | Reference | hive_source。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 export_to_hive | boolean。

通过以下步骤添加 Condition 算子：

从算子列表中拖拽一个 Condition 算子到 Condition for Service Prediction Type 子画布中。
连接 Write results 算子和 Check Hive Config 算子的输出锚点与该 Condition 算子的输入锚点。
选择此 Condition 算子，配置以下信息：
- 名称：输入 Export to Hive?。
- 表达式：配置为 引用 | Check Hive Config.export_to_hive | == | 声明| ture。

Export to Hive? 算子将上传模型服务预测结果上传至 EnOS Hive。你需要在 Export to Hive? 子画布中添加 3 个算子：

PythonEx 算子：生成 HDFS 目录路径以及用于将文件上传至 EnOS Hive 的 SQL 语句。
HDFS Uploader 算子：将预测结果文件上传至 HDFS 目录。
Hive 算子：将预测结果储存至 EnOS Hive。

通过以下步骤添加 PythonEx 算子：

从算子列表中拖拽一个 PythonEx 算子到 Export to Hive? 子画布中。
选择此 PythonEx 算子，配置以下信息：
- 名称：输入 Generate variables。
- workspace：选择 wind_power_forecasting。
- entrypoint：选择 generate_variables.py。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 ouid | string | Reference | ouid。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 sql_statements | list。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 hdfs_dest | string。

通过以下步骤添加 HDFS Uploader 算子：

从算子列表中拖拽一个 HDFS Uploader 算子到 Export to Hive? 子画布中。
连接 Generate variables 算子的输出锚点与该 HDFS Uploader 算子的输入锚点。
选择此 HDFS Uploader 算子，配置以下信息：
- 名称：输入 HDFS Uploader。
- data_source: 引用 hdfs_source。
- file：引用 Write results.outputfile。
- filename：引用 item1。
- dest：引用 Generate variables.hdfs_dest。
- overwrite：选择 ture。

通过以下步骤添加 Hive 算子：

从算子列表中拖拽一个 Hive 算子到 Export to Hive? 子画布中。
连接 Generate variables 算子和 HDFS Uploader 算子的输出锚点与该 Hive 算子的输入锚点。
选择此 Hive 算子，配置以下信息：
- 名称：输入 Hive。
- data_source: 引用 hive_source。
- sqls：引用 Generate variables.sql_statements。
选择顶部工具栏的保存图标以保存配置信息。

配置完成的 Condition for Service Prediction 子画布如下所示：

配置执行模型文件预测的 Condition 算子¶

通过以下步骤添加 Condition 算子：

从算子列表中拖拽一个 Condition 算子到 Loop For prediction 子画布中。
选择此算子，配置以下信息：
- 名称：输入 Condition for Model File Prediction。
- 表达式：配置为 引用 | predictiontype | == | 声明| file。

Condition for Model File Prediction 算子执行 Mlflow 模型文件预测，并导出预测结果文件。若当前 OU 下有可用 EnOS Hive，可将预测结果文件上传至 Hive 表格。你需要在 Condition for Model File Prediction 子画布中添加 6 个算子：

PythonEx 算子 1：获取最新模型版本。
PythonEx 算子 2：准备预测数据。
Service Prediction 算子：基于模型服务执行预测任务，并输出预测结果。
PythonEx 算子 3：将预测结果与真实数据写入文件。
PythonEx 算子 4：检查当前OU下是否有可用于存储预测结果文件的 EnOS Hive。
Condition 算子：在 EnOS Hive 可用时将结果文件存储至 EnOS Hive。

通过以下步骤添加 PythonEx 算子 1：

从算子列表中拖拽一个 PythonEx 算子到 Condition for Model File Prediction 子画布中。
选择此 PythonEx 算子，配置以下信息：
- 名称：输入 Get Latest Model Version。
- workspace：选择 wind_power_forecasting。
- entrypoint：选择 get_latest_model_version.py。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 model_name | model_name | Reference | item1。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 latest_version | model_version。

通过以下步骤添加 PythonEx 算子 2：

从算子列表中拖拽一个 PythonEx 算子到 Condition for Model File Prediction 子画布中。
选择此 PythonEx 算子，配置以下信息：
- 名称：输入 Prepare Prediction Data 2。
- workspace：选择 wind_power_forecasting。
- entrypoint：选择 prepare_predict_data.py。
- requirements: 选择 requirements1.txt。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 datasetname | string | Reference | prediction_dataset_name。
- 选择 输入参数 > 添加参数 为算子添加另一输入参数，并配置为 ratio | number | Reference | sample_split_ratio。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 features | file。
- 选择 输出参数 > 添加参数 为算子添加另一输出参数，并配置为 raw_data | file。

通过以下步骤添加 Mlflow Model Version Prediction 算子：

从算子列表中拖拽一个 Mlflow Model Version Prediction 算子到 Condition for Model File Prediction 子画布中。
连接 Prepare Prediction Data 2 算子和 Get Latest Model Version 算子的输出锚点与该 Mlflow Model Version Prediction 算子的输入锚点。
选择此 Mlflow Model Version Prediction 算子，配置以下信息：
- 名称：输入 Predict from Mlflow Model File。
- model_name：引用 item1。
- model_version：引用 Get Latest Model Version.latest_version。
- data：引用 Prepare Prediction Data 2.features。
- data_type：选择 csv。

通过以下步骤添加 PythonEx 算子 3：

从算子列表中拖拽一个 PythonEx 算子到 Condition for Model File Prediction 子画布中。
连接 Prepare Prediction Data 2 算子和 Predict from Mlflow Model File 算子的输出锚点与该 PythonEx 算子的输入锚点。
选择此 PythonEx 算子，配置以下信息：
- 名称：输入 Write results 2。
- workspace：选择 wind_power_forecasting。
- entrypoint：选择 write_results.py。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 predicted_data | file | Reference | Predict from Mlflow Model File.predictions。
- 选择 输入参数 > 添加参数 为算子添加另一输入参数，并配置为 actual_data | file | Reference | Prepare Prediction Data 2.raw_data。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 outputfile | file。

通过以下步骤添加 PythonCode 算子：

从算子列表中拖拽一个 PythonCode 算子到 Condition for Model File Prediction 子画布中。
选择此 PythonCode 算子，配置以下信息：
- 名称：输入 Check Hive Config 2。
- workspace：选择 wind_power_forecasting。
- entrypoint：选择 check_hive_config.py。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 hive_source | hive_source | Reference | hive_source。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 export_to_hive | boolean。

通过以下步骤添加 Condition 算子：

从算子列表中拖拽一个 Condition 算子到 Condition for Model File Prediction 子画布中。
连接 Write results 2 算子和 Check Hive Config 2 算子的输出锚点与该 Condition 算子的输入锚点。
选择此 Condition 算子，配置以下信息：
- 名称：输入 Export to Hive 2?。
- 表达式：配置为 引用 | Check Hive Config 2.export_to_hive | == | 声明| ture。

Export to Hive 2? 算子将上传 Mlflow 模型文件预测结果上传至 EnOS Hive。你需要在 Export to Hive 2? 子画布中添加 3 个算子：

PythonEx 算子：生成 HDFS 目录路径以及用于将文件上传至 EnOS Hive 的 SQL 语句。
HDFS Uploader 算子：将预测结果文件上传至 HDFS 目录。
Hive 算子：将预测结果储存至 EnOS Hive。

通过以下步骤添加 PythonEx 算子：

从算子列表中拖拽一个 PythonEx 算子到 Export to Hive 2? 子画布中。
选择此 PythonEx 算子，配置以下信息：
- 名称：输入 Generate variables 2。
- workspace：选择 wind_power_forecasting。
- entrypoint：选择 generate_variables.py。
- 选择 输入参数 > 添加参数 为算子添加一个输入参数，并配置为 ouid | string | Reference | ouid。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 sql_statements | list。
- 选择 输出参数 > 添加参数 为算子添加一个输出参数，并配置为 hdfs_dest | string。

通过以下步骤添加 Hive 算子：

从算子列表中拖拽一个 Hive 算子到 Export to Hive? 子画布中。
连接 Generate variables 算子的输出锚点与该 Hive 算子的输入锚点。
选择此 Hive 算子，配置以下信息：
- 名称：输入 Hive 2。
- data_source: 引用 hive_source。
- sqls：引用 Generate variables 2.sql_statements。

通过以下步骤添加 HDFS Uploader 算子：

从算子列表中拖拽一个 HDFS Uploader 算子到 Export to Hive 2? 子画布中。
连接 Generate variables 2 算子和 Hive2 算子的输出锚点与该 HDFS Uploader 算子的输入锚点。
选择此 HDFS Uploader 算子，配置以下信息：
- 名称：输入 HDFS Uploader 2。
- data_source: 引用 hdfs_source。
- file：引用 Write results 2.outputfile。
- filename：引用 item1。
- dest：引用 Generate variables 2.hdfs_dest。
- overwrite：选择 ture。
选择顶部工具栏的保存图标以保存配置信息。

配置完成的 Condition for Model File Prediction 子画布如下所示：

下一单元¶

任务流运行结果

单元 4： 任务流设计¶

选项 1：基于样例任务流设计任务流¶

导出样例任务流¶

新建实验¶

更新全局参数设计¶

主画布设计¶

检查训练分支任务¶

检查预测分支任务¶

Condition for Service Prediction Type 算子¶

Condition for Model File Pprediction 算子¶

选项 2：新建任务流¶

新建实验¶

添加全局参数¶

主画布设计¶

配置训练任务¶

配置准备原始数据的 Recursion 算子¶

配置生成循环列表的 PythonEx 算子¶

配置并发执行模型训练任务的 ParallelFor 算子¶

配置预测任务¶

配置生成循环列表的 PythonEx 算子¶

配置并发执行模型预测任务的 ParallelFor 算子¶

配置执行模型服务预测的 Condition 算子¶

配置执行模型文件预测的 Condition 算子¶

下一单元¶

单元 4：任务流设计¶