此页面由 Cloud Translation API 翻译。

使用导入的 TensorFlow 模型进行预测

在本教程中，将 TensorFlow 模型导入 BigQuery ML 数据集。然后，使用 SQL 查询通过导入的模型进行预测。

创建数据集

创建 BigQuery 数据集以存储机器学习模型。

控制台

在 Google Cloud 控制台中，前往 BigQuery 页面。

转到 BigQuery 页面
在探索器窗格中，点击您的项目名称。
点击 查看操作 > 创建数据集
在 创建数据集 页面上，执行以下操作：
- 在数据集 ID 部分，输入 bqml_tutorial。
- 在位置类型部分，选择多区域，然后选择 US (multiple regions in United States)（美国[美国的多个区域]）。
- 保持其余默认设置不变，然后点击创建数据集。

bq

如需创建新数据集，请使用带有 --location 标志的 bq mk 命令。如需查看完整的潜在参数列表，请参阅 bq mk --dataset 命令参考文档。

创建一个名为 bqml_tutorial 的数据集，并将数据位置设置为 US，说明为 BigQuery ML tutorial dataset：
```
bq --location=US mk -d \
 --description "BigQuery ML tutorial dataset." \
 bqml_tutorial
```
该命令使用的不是 --dataset 标志，而是 -d 快捷方式。如果省略 -d 和 --dataset，该命令会默认创建一个数据集。
确认已创建数据集：
```
bq ls
```

API

使用已定义的数据集资源调用 datasets.insert 方法。

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

BigQuery DataFrame

在尝试此示例之前，请按照《BigQuery 快速入门：使用 BigQuery DataFrames》中的 BigQuery DataFrames 设置说明进行操作。如需了解详情，请参阅 BigQuery DataFrames 参考文档。

如需向 BigQuery 进行身份验证，请设置应用默认凭证。如需了解详情，请参阅为本地开发环境设置 ADC。

import google.cloud.bigquery

bqclient = google.cloud.bigquery.Client()
bqclient.create_dataset("bqml_tutorial", exists_ok=True)

导入 TensorFlow 模型

以下步骤介绍了如何从 Cloud Storage 导入模型。模型的路径为 gs://cloud-training-demos/txtclass/export/exporter/1549825580/*。导入的模型名称为 imported_tf_model。

请注意，Cloud Storage URI 以通配符 (*) 结尾。此字符表示 BigQuery ML 应导入与该模型关联的任何资产。

导入的模型是 TensorFlow 文本分类器模型，可预测哪个网站发布了给定文章标题。

如需将 TensorFlow 模型导入数据集，请按照以下步骤操作。

控制台

在 Google Cloud 控制台中，前往 BigQuery 页面。

转到 BigQuery 页面
对于创建新内容，请点击 SQL 查询。

在查询编辑器中，输入以下 CREATE MODEL 语句，然后点击运行。

  CREATE OR REPLACE MODEL `bqml_tutorial.imported_tf_model`
  OPTIONS (MODEL_TYPE='TENSORFLOW',
    MODEL_PATH='gs://cloud-training-demos/txtclass/export/exporter/1549825580/*')

操作完成后，您应会看到类似 Successfully created model named imported_tf_model 的消息。

您的新模型会显示在资源面板中。模型由模型图标表示。
如果您在资源面板中选择该新模型，则模型相关信息将显示在查询编辑器下方。

bq

通过输入以下 CREATE MODEL 语句，从 Cloud Storage 导入 TensorFlow 模型。

bq query --use_legacy_sql=false \
"CREATE OR REPLACE MODEL
  `bqml_tutorial.imported_tf_model`
OPTIONS
  (MODEL_TYPE='TENSORFLOW',
    MODEL_PATH='gs://cloud-training-demos/txtclass/export/exporter/1549825580/*')"

导入模型后，请验证该模型是否显示在数据集中。

bq ls -m bqml_tutorial

输出内容类似如下：

tableId             Type
------------------- -------
imported_tf_model   MODEL

API

插入新作业并在请求正文中填充 jobs#configuration.query 属性。

{
  "query": "CREATE MODEL `PROJECT_ID:bqml_tutorial.imported_tf_model` OPTIONS(MODEL_TYPE='TENSORFLOW' MODEL_PATH='gs://cloud-training-demos/txtclass/export/exporter/1549825580/*')"
}

将 PROJECT_ID 替换为您的项目和数据集的名称。

BigQuery DataFrame

如需向 BigQuery 进行身份验证，请设置应用默认凭证。如需了解详情，请参阅为本地开发环境设置 ADC。

使用 TensorFlowModel 对象导入模型。

import bigframes
from bigframes.ml.imported import TensorFlowModel

bigframes.options.bigquery.project = PROJECT_ID
# You can change the location to one of the valid locations: https://cloud.google.com/bigquery/docs/locations#supported_locations
bigframes.options.bigquery.location = "US"

imported_tensorflow_model = TensorFlowModel(
    model_path="gs://cloud-training-demos/txtclass/export/exporter/1549825580/*"
)

如需详细了解如何将 TensorFlow 模型导入 BigQuery ML，包括格式和存储要求，请参阅用于导入 TensorFlow 模型的 CREATE MODEL 语句。