Заметки о выпуске для проектирования компонентов Databricks и устаревшего хранилища функций рабочей области
На этой странице перечислены выпуски компонента Databricks в клиенте каталога Unity и клиенте Databricks Workspace Store. Оба клиента доступны в PyPI в качестве databricks-feature-engineering.
Библиотеки используются для:
- создание, чтение и запись таблиц признаков;
- Обучение моделей на основе данных признаков.
- публикации таблиц признаков в интернет-магазинах для обслуживания в режиме реального времени;
Документацию по использованию см. в разделе Хранилище признаков Databricks. Документацию по API Python см. в статье API Python.
Проектирование компонентов в клиенте каталога Unity работает с функциями и таблицами компонентов в каталоге Unity. Клиент Хранилища компонентов рабочей области работает для функций и таблиц компонентов в Магазине компонентов рабочей области. Оба клиента предварительно установлены в Databricks Runtime для Машинное обучение. Они также могут работать в Databricks Runtime после установки databricks-feature-engineering
из PyPI (pip install databricks-feature-engineering
). Только для модульного тестирования оба клиента могут использоваться локально или в средах CI/CD.
Таблица, показывающая совместимость версий клиента с версиями Databricks Runtime и Databricks Runtime ML, см . в матрице совместимости компонентов. Более старые версии клиента Databricks Workspace Store доступны в PyPI как databricks-feature-store.
databricks-feature-engineering 0.6.0
- Теперь поддерживаются соединения между точками во времени с собственным Spark, а также существующую поддержку с tempo. Огромная благодарность Семон Синченко за предложение идеи!
StructType
теперь поддерживается как тип данных PySpark.StructType
не поддерживается для онлайн-обслуживания.write_table
теперь поддерживает запись в таблицы с поддержкой отказоустойчивой кластеризации .- Параметр
timeseries_columns
дляcreate_table
этого был переименованtimeseries_column
в . Существующие рабочие процессы могут продолжать использоватьtimeseries_columns
этот параметр. score_batch
теперь поддерживаетenv_manager
параметр. Дополнительные сведения см. в документации по MLflow.
databricks-feature-engineering 0.5.0
- Новый API
update_feature_spec
,databricks-feature-engineering
позволяющий пользователям обновлять владельца компонента FeatureSpec в каталоге Unity.
databricks-feature-engineering 0.4.0
- Исправления и улучшения небольших ошибок.
databricks-feature-engineering 0.3.0
log_model
теперь использует новый пакет PyPI databricks-feature-lookup , который включает улучшения производительности для обслуживания онлайн-моделей.
databricks-feature-store 0.17.0
databricks-feature-store
не рекомендуется к использованию. Все существующие модули в этом пакете доступны вdatabricks-feature-engineering
версии 0.2.0 и выше. Дополнительные сведения см. в разделе API Python.
databricks-feature-engineering 0.2.0
databricks-feature-engineering
Теперь содержит все модули изdatabricks-feature-store
. Дополнительные сведения см. в разделе API Python.
databricks-feature-store 0.16.3
- Исправлена ошибка времени ожидания при использовании AutoML с таблицами компонентов.
databricks-feature-engineering 0.1.3
- Небольшие улучшения в UpgradeClient.
databricks-feature-store 0.16.2
- Теперь можно создать конечные точки службы функций и функций. Дополнительные сведения см. в разделе "Обслуживание функций и функций".
databricks-feature-store 0.16.1
- Исправления и улучшения небольших ошибок.
databricks-feature-engineering 0.1.2 & databricks-feature-store 0.16.0
- Исправления и улучшения небольших ошибок.
- Исправлены неправильные URL-адреса происхождения заданий, зарегистрированные с помощью определенных настроек рабочей области.
databricks-feature-engineering 0.1.1
- Исправления и улучшения небольших ошибок.
databricks-feature-engineering 0.1.0
- Выпуск общедоступной версии разработки компонентов в клиенте Python каталога Unity в PyPI
databricks-feature-store 0.15.1
- Исправления и улучшения небольших ошибок.
databricks-feature-store 0.15.0
- Теперь вы можете автоматически выводить и записывать входной пример при регистрации модели. Для этого установите значение
infer_model_example
True
при вызовеlog_model
. Пример основан на обучающих данных, указанных в параметреtraining_set
.
databricks-feature-store 0.14.2
- Исправлена ошибка при публикации в Aurora MySQL из Соединителя MariaDB/J >=2.7.5.
databricks-feature-store 0.14.1
- Исправления и улучшения небольших ошибок.
databricks-feature-store 0.14.0
Начиная с версии 0.14.0, в аргументе необходимо указать ключевые столбцы метки primary_keys
времени. Ключи метки времени являются частью "первичных ключей", которые однозначно определяют каждую строку в таблице признаков. Как и другие столбцы первичного ключа, ключевые столбцы метки времени не могут содержать значения NULL.
В следующем примере кадр данных user_features_df
содержит следующие столбцы: user_id
, , ts
purchases_30d
и is_free_trial_active
.
0.14.0 и выше
fs = FeatureStoreClient()
fs.create_table(
name="ads_team.user_features",
primary_keys=["user_id", "ts"],
timestamp_keys="ts",
features_df=user_features_df,
)
0.13.1 и ниже
fs = FeatureStoreClient()
fs.create_table(
name="ads_team.user_features",
primary_keys="user_id",
timestamp_keys="ts",
features_df=user_features_df,
)
databricks-feature-store 0.13.1
- Исправления и улучшения небольших ошибок.
databricks-feature-store 0.13.0
- Минимальная требуемая
mlflow-skinny
версия теперь — 2.4.0. - Создание набора обучения завершается ошибкой, если указанный кадр данных не содержит все необходимые ключи подстановки.
- При ведении журнала модели, используюющей таблицы компонентов в каталоге Unity, подпись MLflow автоматически регистрируется в модели.
databricks-feature-store 0.12.0
- Теперь вы можете удалить интернет-магазин с помощью
drop_online_table
API.
databricks-feature-store 0.11.0
- В рабочих областях с поддержкой каталога Unity теперь можно публиковать таблицы функций каталога Unity и рабочей области в интернет-магазинах Cosmos DB. Для этого требуется Databricks Runtime 13.0 ML или более поздней версии.
databricks-feature-store 0.10.0
- Исправления и улучшения небольших ошибок.
databricks-feature-store 0.9.0
- Исправления и улучшения небольших ошибок.
databricks-feature-store 0.8.0
- Исправления и улучшения небольших ошибок.
databricks-feature-store 0.7.1
- Добавьте
flask
в качестве зависимости, чтобы устранить недостающую проблему зависимостей при оценке моделей.score_batch
databricks-feature-store 0.7.0
- Исправления и улучшения небольших ошибок.
databricks-feature-store 0.6.1
- Первоначальный общедоступный выпуск клиента для хранения признаков Databricks в PyPI.
Обратная связь
https://aka.ms/ContentUserFeedback.
Ожидается в ближайшее время: в течение 2024 года мы постепенно откажемся от GitHub Issues как механизма обратной связи для контента и заменим его новой системой обратной связи. Дополнительные сведения см. в разделеОтправить и просмотреть отзыв по