Uber 近日宣布开源 Petastorm，这是由 Uber ATG 开发的数据访问库，可直接基于数 TB 的 Apache Parquet 格式数据集进行单机或分布式训练和深度学习模型评估。Petastorm支持流行的基于Python的机器学习（ML）框架，如 Tensorflow、Pytorch 和 PySpark ，也可以直接用在 Python 代码中。

通常，我们通过连接来自多个数据源的记录来生成数据集。该数据集由 Apache Spark 的 Python 接口 PySpark 生成，稍后将被用在机器学习训练中。Petastorm 提供了一个简单的功能，可以使用 Petastorm 特定的元数据扩展标准的 Parquet ，从而使其与 Petastorm 兼容。

使用 Petastorm ，消耗数据就像在 HDFS 或文件系统路径创建和迭代读取对象一样简单。Petastorm 使用 PyArrow 库来读取 Parquet 文件。过程概述图如下：

Petastorm 结合了各种特性以支持自动驾驶算法的训练，包括行过滤、数据分片、shuffle、对字段子集的访问，以及对时间序列数据（n-gram）的支持。

对于其他上下文，典型数据集的结构包括：

• 在自动驾驶汽车测试运行期间收集的传感器数据的多个列，包括摄像头、激光定位器和雷达。

• 手动生成的标签作为行中的字段进行存储。

行数据按照行分组的时间顺序排列，行组大小通常在 30-100 范围内。

Petastorm 的设计目标包括：

• 由单数据模式定义驱动数据的编码和解码。

• 提供 ML 框架和纯 Python 代码可用的高数据加载带宽。

• 将 Apache Spark 作为分布式集群计算框架来生成数据集。

• 与纯 Python，ML 平台无关的核心 Petastorm 组件的实现。

• 呈现给 Tensorflow 和 PyTorch 框架的界面原生接口。

更多详情可查看官方博客或项目文档。