本頁面由 Cloud Translation API 翻譯而成。

使用匯入的 TensorFlow 模型進行預測

在本教學課程中，您會將 TensorFlow 模型匯入 BigQuery ML 資料集。接著，您可以使用 SQL 查詢，從匯入的模型進行預測。

建立資料集

建立 BigQuery 資料集來儲存機器學習模型。

控制台

前往 Google Cloud 控制台的「BigQuery」頁面。

前往 BigQuery 頁面
在「Explorer」窗格中，按一下專案名稱。
依序點按「View actions」(查看動作) >「Create dataset」(建立資料集)。
在「建立資料集」頁面中，執行下列操作：
- 在「Dataset ID」(資料集 ID) 中輸入 bqml_tutorial。
- 針對「Location type」(位置類型) 選取「Multi-region」(多區域)，然後選取「US (multiple regions in United States)」(us (多個美國區域))。
- 其餘設定請保留預設狀態，然後按一下「建立資料集」。

bq

如要建立新的資料集，請使用 bq mk 指令搭配 --location 旗標。如需可能的完整參數清單，請參閱 bq mk --dataset 指令參考資料。

建立名為「bqml_tutorial」的資料集，並將資料位置設為「US」，說明則設為「BigQuery ML tutorial dataset」：
```
bq --location=US mk -d \
 --description "BigQuery ML tutorial dataset." \
 bqml_tutorial
```
這個指令採用 -d 捷徑，而不是使用 --dataset 旗標。如果您省略 -d 和 --dataset，該指令預設會建立資料集。
確認資料集已建立完成：
```
bq ls
```

API

請呼叫 datasets.insert 方法，搭配已定義的資料集資源。

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

BigQuery DataFrames

在嘗試這個範例之前，請按照使用 BigQuery DataFrames 的 BigQuery 快速入門導覽課程中的 BigQuery DataFrames 設定說明操作。詳情請參閱 BigQuery DataFrames 參考說明文件。

如要驗證 BigQuery，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定 ADC」。

import google.cloud.bigquery

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

匯入 TensorFlow 模型

下列步驟說明如何從 Cloud Storage 匯入模型。模型路徑為 gs://cloud-training-demos/txtclass/export/exporter/1549825580/*。匯入的模型名稱為 imported_tf_model。

請注意，Cloud Storage URI 的結尾是萬用字元 (*)。這個字元表示 BigQuery ML 應匯入與模型相關聯的所有資產。

匯入的模型為 TensorFlow 文字分類程式模型，可預測發布特定文章標題的網站。

如要將 TensorFlow 模型匯入資料集，請按照下列步驟操作。

控制台

前往 Google Cloud 控制台的「BigQuery」頁面。

前往 BigQuery 頁面
如要建立新項目，請按一下「SQL 查詢」。

在查詢編輯器中輸入這項 CREATE MODEL 陳述式，然後點選「執行」。

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

作業完成後，您應該會看到類似 Successfully created model named imported_tf_model 的訊息。

新模型會顯示在「資源」面板中。模型會以模型圖示來表示。
在「Resources」(資源) 面板中選取新模型，「Query editor」(查詢編輯器) 下方就會顯示該模型的相關資訊。

bq

輸入下列 CREATE MODEL 陳述式，從 Cloud Storage 匯入 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/*')"

匯入模型後，請確認模型是否顯示在資料集中。

bq ls -m bqml_tutorial

輸出結果會與下列內容相似：

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

API

插入新工作，並在要求主體中填入 jobs#configuration.query 屬性。

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

將 PROJECT_ID 替換為您的專案和資料集名稱。

BigQuery DataFrames

如要驗證 BigQuery，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定 ADC」。

使用 TensorFlowModel 物件匯入模型。

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/*"
)

如要進一步瞭解如何將 TensorFlow 模型匯入 BigQuery ML，包括格式和儲存空間需求，請參閱CREATE MODEL 陳述式，瞭解如何匯入 TensorFlow 模型。