Inférence ONNX sur Spark

Dans cet exemple, vous entraînez un modèle LightGBM et convertissez ce modèle au format ONNX . Une fois converti, vous utilisez le modèle pour déduire certaines données de test sur Spark.

Cet exemple utilise ces packages et versions Python :

• onnxmltools==1.7.0
• lightgbm==3.2.1

Conditions préalables

• Fixez votre notebook à un lakehouse. Sur le côté gauche, sélectionnez Ajouter pour ajouter un lac existant ou créer un lac.
• Vous devrez peut-être installer onnxmltools. Pour ce faire, ajoutez !pip install onnxmltools==1.7.0 dans une cellule de code dans un bloc-notes, puis exécutez cette cellule.
• Vous devrez peut-être installer lightgbm. Pour ce faire, ajoutez !pip install lightgbm==3.2.1 dans une cellule de code de bloc-notes, puis exécutez cette cellule.

Charger les exemples de données

Pour charger les exemples de données, ajoutez ces exemples de code aux cellules de votre notebook, puis exécutez ces cellules :

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)

La sortie doit ressembler au tableau suivant. Les colonnes spécifiques affichées, le nombre de lignes et les valeurs réelles de la table peuvent différer :

Utiliser LightGBM pour entraîner un modèle

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)

Convertir le modèle au format ONNX

Le code suivant exporte le modèle entraîné vers un booster LightGBM, puis convertit le modèle au format ONNX :

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))

Après la conversion, chargez la charge utile ONNX dans un ONNXModelmodèle et inspectez les entrées et sorties du modèle :

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()))

Mappez l’entrée du modèle au nom de colonne (FeedDict) du dataframe d’entrée et mappez les noms des colonnes du dataframe de sortie aux sorties du modèle (FetchDict) :

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

Utiliser le modèle pour l’inférence

Pour effectuer une inférence avec le modèle, le code suivant crée des données de test et transforme les données via le modèle ONNX :

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))

La sortie doit ressembler au tableau suivant, même si les valeurs et le nombre de lignes peuvent différer :

Contenu connexe

• Comment utiliser Kernel SHAP pour expliquer un modèle de classification tabulaire
• Comment utiliser SynapseML pour la détection d’anomalies multivariées
• Comment créer un moteur de recherche avec SynapseML