ONNX-inference op Spark

In dit voorbeeld traint u een LightGBM-model en converteert u dat model naar de ONNX-indeling . Nadat het model is geconverteerd, gebruikt u het model om enkele testgegevens in Spark af te leiden.

In dit voorbeeld worden deze Python-pakketten en -versies gebruikt:

• onnxmltools==1.7.0
• lightgbm==3.2.1

Vereiste voorwaarden

• Koppel uw notitieblok aan een lakehouse. Selecteer aan de linkerkant Toevoegen om een bestaand lakehouse toe te voegen of een nieuw lakehouse te creëren.
• Mogelijk moet u installeren onnxmltools. U doet dit door !pip install onnxmltools==1.7.0 in een notebookcodecel toe te voegen en die cel vervolgens uit te voeren.
• Mogelijk moet u installeren lightgbm. Om dit te doen, voegt u !pip install lightgbm==3.2.1 toe in een notebookcodecel en voert u die cel vervolgens uit.

De voorbeeldgegevens laden

Als u de voorbeeldgegevens wilt laden, voegt u deze codevoorbeelden toe aan cellen in uw notebook en voert u deze cellen uit:

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)

De uitvoer moet er ongeveer uitzien als in de volgende tabel. De specifieke kolommen die worden weergegeven, het aantal rijen en de werkelijke waarden in de tabel kunnen verschillen:

LightGBM gebruiken om een model te trainen

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)

Het model converteren naar ONNX-indeling

Met de volgende code wordt het getrainde model geëxporteerd naar een LightGBM Booster en wordt het model vervolgens geconverteerd naar de ONNX-indeling:

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))

Laad na de conversie de ONNX-payload in een ONNXModel en controleer de invoer en uitvoer van het model.

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()))

Wijs de modelinvoer toe aan de kolomnaam (FeedDict) van het invoergegevensframe en wijs de kolomnamen van het uitvoergegevensframe toe aan de modeluitvoer (FetchDict):

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

Het model gebruiken voor deductie

Om inferentie met een model uit te voeren, genereert de volgende code testgegevens en transformeert deze gegevens via het ONNX-model.

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))

De uitvoer moet er ongeveer uitzien als in de volgende tabel, hoewel de waarden en het aantal rijen kunnen verschillen:

Verwante inhoud

• Kernel SHAP gebruiken om een tabellair classificatiemodel uit te leggen
• SynapseML gebruiken voor anomaliedetectie met meerdere variabelen
• Een zoekmachine bouwen met SynapseML