Jaa

ONNX-tunnistus Sparkissä

  • Artikkeli

Tässä esimerkissä harjoitat LightGBM-mallin ja muunnat mallin ONNX-muotoon . Kun se on muunnettu, käytät mallia joidenkin spark-testitietojen päättelemiseen.

Tässä esimerkissä käytetään seuraavia Python-paketteja ja -versioita:

  • onnxmltools==1.7.0
  • lightgbm==3.2.1

Edellytykset

  • Liitä muistikirjasi Lakehouseen. Valitse vasemmalla puolella Lisää lisätäksesi aiemmin luodun lakehousen tai luodaksesi lakehousen.
  • Sinun on ehkä asennettava onnxmltools lisäämällä !pip install onnxmltools==1.7.0 koodisoluun ja suorittamalla sitten solu.

Lataa esimerkkitiedot

Lataa esimerkkitiedot lisäämällä seuraavat koodiesimerkit muistikirjasi soluihin ja suorittamalla sitten solut:

from pyspark.sql import SparkSession

# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()

from synapse.ml.core.platform import *

df = (
    spark.read.format("csv")
    .option("header", True)
    .option("inferSchema", True)
    .load(
        "wasbs://publicwasb@mmlspark.blob.core.windows.net/company_bankruptcy_prediction_data.csv"
    )
)

display(df)

Tulosteen pitäisi näyttää samalta kuin seuraavassa taulukossa, vaikka arvot ja rivien määrä voivat olla erilaisia:

Korkokattavuussuhde Nettotulot-merkintä Oma pääoma vastuulle
0.5641 1.0 0.0165
0.5702 1.0 0.0208
0.5673 1.0 0.0165

LightGBM:n käyttäminen mallin harjoittamiseen

from pyspark.ml.feature import VectorAssembler
from synapse.ml.lightgbm import LightGBMClassifier

feature_cols = df.columns[1:]
featurizer = VectorAssembler(inputCols=feature_cols, outputCol="features")

train_data = featurizer.transform(df)["Bankrupt?", "features"]

model = (
    LightGBMClassifier(featuresCol="features", labelCol="Bankrupt?", dataTransferMode="bulk")
    .setEarlyStoppingRound(300)
    .setLambdaL1(0.5)
    .setNumIterations(1000)
    .setNumThreads(-1)
    .setMaxDeltaStep(0.5)
    .setNumLeaves(31)
    .setMaxDepth(-1)
    .setBaggingFraction(0.7)
    .setFeatureFraction(0.7)
    .setBaggingFreq(2)
    .setObjective("binary")
    .setIsUnbalance(True)
    .setMinSumHessianInLeaf(20)
    .setMinGainToSplit(0.01)
)

model = model.fit(train_data)

Mallin muuntaminen ONNX-muotoon

Seuraava koodi vie harjoitetun mallin LightGBM-tehosteeksi ja muuntaa sen ONNX-muotoon:

import lightgbm as lgb
from lightgbm import Booster, LGBMClassifier


def convertModel(lgbm_model: LGBMClassifier or Booster, input_size: int) -> bytes:
    from onnxmltools.convert import convert_lightgbm
    from onnxconverter_common.data_types import FloatTensorType

    initial_types = [("input", FloatTensorType([-1, input_size]))]
    onnx_model = convert_lightgbm(
        lgbm_model, initial_types=initial_types, target_opset=9
    )
    return onnx_model.SerializeToString()


booster_model_str = model.getLightGBMBooster().modelStr().get()
booster = lgb.Booster(model_str=booster_model_str)
model_payload_ml = convertModel(booster, len(feature_cols))

Lataa muunnoksen jälkeen ONNX-hyötykuorma an-kohteeseen ONNXModel ja tarkista mallin syötteet ja tulokset:

from synapse.ml.onnx import ONNXModel

onnx_ml = ONNXModel().setModelPayload(model_payload_ml)

print("Model inputs:" + str(onnx_ml.getModelInputs()))
print("Model outputs:" + str(onnx_ml.getModelOutputs()))

Liitä mallisyöte syötteen tietokehyksen sarakkeen nimeen (FeedDict) ja yhdistä tulostetietokehyksen sarakenimet mallitulosteisiin (FetchDict).

onnx_ml = (
    onnx_ml.setDeviceType("CPU")
    .setFeedDict({"input": "features"})
    .setFetchDict({"probability": "probabilities", "prediction": "label"})
    .setMiniBatchSize(5000)
)

Käytä mallia päättelemiseen

Jos haluat suorittaa päätelmiä mallin kanssa, seuraava koodi luo testitietoja ja muuntaa tiedot ONNX-mallin kautta.

from pyspark.ml.feature import VectorAssembler
import pandas as pd
import numpy as np

n = 1000 * 1000
m = 95
test = np.random.rand(n, m)
testPdf = pd.DataFrame(test)
cols = list(map(str, testPdf.columns))
testDf = spark.createDataFrame(testPdf)
testDf = testDf.union(testDf).repartition(200)
testDf = (
    VectorAssembler()
    .setInputCols(cols)
    .setOutputCol("features")
    .transform(testDf)
    .drop(*cols)
    .cache()
)

display(onnx_ml.transform(testDf))

Tulosteen pitäisi näyttää samalta kuin seuraavassa taulukossa, vaikka arvot ja rivien määrä voivat olla erilaisia:

Indeksi Ominaisuudet Ennuste Todennäköisyys
1 "{"type":1,"values":[0.105... 0 "{"0":0.835...
2 "{"type":1,"values":[0.814... 0 "{"0":0.658...

Liittyvä sisältö