ONNX 형식의 scikit-learn 모델로 예측 수행

이 튜토리얼에서는 scikit-learn으로 학습된 Open Neural Network Exchange(ONNX) 모델을 가져오는 방법을 보여줍니다. 모델을 BigQuery 데이터 세트로 가져와 SQL 쿼리를 사용하여 예측하는 데 사용합니다.

ONNX는 모든 머신러닝(ML) 프레임워크를 나타내도록 설계된 균일한 형식을 제공합니다. ONNX에 대한 BigQuery ML 지원을 통해 다음을 수행할 수 있습니다.

  • 원하는 프레임워크를 사용하여 모델을 학습시키기
  • ONNX 모델 형식으로 모델 변환
  • ONNX 모델을 BigQuery로 가져오고 BigQuery ML을 사용하여 예측 수행

선택사항: 모델 학습 및 ONNX 형식으로 변환

다음 코드 샘플에서는 scikit-learn으로 분류 모델을 학습하는 방법과 결과 파이프라인을 ONNX 형식으로 변환하는 방법을 보여줍니다. 이 튜토리얼에서는 gs://cloud-samples-data/bigquery/ml/onnx/pipeline_rf.onnx에 저장되어 있는 사전 빌드된 예시 모델을 사용합니다. 샘플 모델을 사용하는 경우에는 다음 단계를 완료하지 않아도 됩니다.

scikit-learn으로 분류 모델 학습

다음 샘플 코드를 사용하여 Iris 데이터 세트에 scikit-learn 파이프라인을 만들고 학습시킵니다. scikit-learn 설치 및 사용 방법에 대한 안내는 scikit-learn 설치 가이드를 참조하세요.

import numpy
from sklearn.datasets import load_iris
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier

data = load_iris()
X = data.data[:, :4]
y = data.target

ind = numpy.arange(X.shape[0])
numpy.random.shuffle(ind)
X = X[ind, :].copy()
y = y[ind].copy()

pipe = Pipeline([('scaler', StandardScaler()),
                ('clr', RandomForestClassifier())])
pipe.fit(X, y)

ONNX 모델로 파이프라인 변환

sklearn-onnx에서 다음 샘플 코드를 사용하여 scikit-learn 파이프라인을 pipeline_rf.onnx라는 ONNX 모델로 변환합니다.

from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType

# Disable zipmap as it is not supported in BigQuery ML.
options = {id(pipe): {'zipmap': False}}

# Define input features. scikit-learn does not store information about the
# training dataset. It is not always possible to retrieve the number of features
# or their types. That's why the function needs another argument called initial_types.
initial_types = [
   ('sepal_length', FloatTensorType([None, 1])),
   ('sepal_width', FloatTensorType([None, 1])),
   ('petal_length', FloatTensorType([None, 1])),
   ('petal_width', FloatTensorType([None, 1])),
]

# Convert the model.
model_onnx = convert_sklearn(
   pipe, 'pipeline_rf', initial_types=initial_types, options=options
)

# And save.
with open('pipeline_rf.onnx', 'wb') as f:
 f.write(model_onnx.SerializeToString())

Cloud Storage에 ONNX 모델 업로드

모델을 저장한 후 다음을 수행합니다.

데이터 세트 만들기

ML 모델을 저장할 BigQuery 데이터 세트를 만듭니다.

콘솔

  1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

    BigQuery 페이지로 이동

  2. 탐색기 창에서 프로젝트 이름을 클릭합니다.

  3. 작업 보기 > 데이터 세트 만들기를 클릭합니다.

  4. 데이터 세트 만들기 페이지에서 다음을 수행합니다.

    • 데이터 세트 ID에 bqml_tutorial를 입력합니다.

    • 위치 유형에 대해 멀티 리전을 선택한 다음 US(미국 내 여러 리전)를 선택합니다.

    • 나머지 기본 설정은 그대로 두고 데이터 세트 만들기를 클릭합니다.

bq

새 데이터 세트를 만들려면 --location 플래그와 함께 bq mk 명령어를 실행합니다. 사용할 수 있는 전체 파라미터 목록은 bq mk --dataset 명령어 참조를 확인하세요.

  1. 데이터 위치가 US로 설정되고 설명이 BigQuery ML tutorial dataset인 bqml_tutorial 데이터 세트를 만듭니다.

    bq --location=US mk -d \
 --description "BigQuery ML tutorial dataset." \
 bqml_tutorial

    --dataset 플래그를 사용하는 대신 이 명령어는 -d 단축키를 사용합니다. -d와 --dataset를 생략하면 이 명령어는 기본적으로 데이터 세트를 만듭니다.

  2. 데이터 세트가 생성되었는지 확인합니다.

    bq ls

API

데이터 세트 리소스가 정의된 datasets.insert 메서드를 호출합니다.

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

BigQuery DataFrames

이 샘플을 사용해 보기 전에 BigQuery DataFrames를 사용하여 BigQuery 빠른 시작의 BigQuery DataFrames 설정 안내를 따르세요. 자세한 내용은 BigQuery DataFrames 참고 문서를 확인하세요.

BigQuery에 인증하려면 애플리케이션 기본 사용자 인증 정보를 설정합니다. 자세한 내용은 로컬 개발 환경의 ADC 설정을 참조하세요. 

import google.cloud.bigquery

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

ONNX 모델을 BigQuery로 가져오기

다음 단계에서는 CREATE MODEL 문을 사용하여 Cloud Storage에서 샘플 ONNX 모델을 가져오는 방법을 보여줍니다.

ONNX 모델을 데이터 세트로 가져오려면 다음 옵션 중 하나를 선택합니다.

콘솔

  1. Google Cloud 콘솔에서 BigQuery Studio 페이지로 이동합니다.

    BigQuery Studio로 이동

  2. 쿼리 편집기에서 다음 CREATE MODEL 문을 입력합니다.

     CREATE OR REPLACE MODEL `bqml_tutorial.imported_onnx_model`
  OPTIONS (MODEL_TYPE='ONNX',
   MODEL_PATH='BUCKET_PATH')

    BUCKET_PATH를 Cloud Storage에 업로드한 모델의 경로로 바꿉니다. 샘플 모델을 사용하는 경우 BUCKET_PATH를 gs://cloud-samples-data/bigquery/ml/onnx/pipeline_rf.onnx로 바꿉니다.

    작업이 완료되면 Successfully created model named imported_onnx_model과 유사한 메시지가 표시됩니다.

    새 모델이 리소스 패널에 표시됩니다. 모델은 모델 아이콘(리소스 패널의 모델 아이콘)으로 표시됩니다. 리소스 패널에서 새 모델을 선택하면 모델에 대한 정보가 쿼리 편집기 옆에 표시됩니다.

    `imported_onnx_model`의 정보 패널

bq

  1. 다음 CREATE MODEL 문을 입력하여 Cloud Storage에서 ONNX 모델을 가져옵니다.

    bq query --use_legacy_sql=false \
"CREATE OR REPLACE MODEL
`bqml_tutorial.imported_onnx_model`
OPTIONS
(MODEL_TYPE='ONNX',
  MODEL_PATH='BUCKET_PATH')"

    BUCKET_PATH를 Cloud Storage에 업로드한 모델의 경로로 바꿉니다. 샘플 모델을 사용하는 경우 BUCKET_PATH를 gs://cloud-samples-data/bigquery/ml/onnx/pipeline_rf.onnx로 바꿉니다.

    작업이 완료되면 Successfully created model named imported_onnx_model과 유사한 메시지가 표시됩니다.

  2. 모델을 가져온 후 모델이 데이터 세트에 표시되는지 확인합니다.

    bq ls -m bqml_tutorial

    출력은 다음과 비슷합니다.

    tableId               Type
--------------------- -------
imported_onnx_model  MODEL

BigQuery DataFrames

이 샘플을 사용해 보기 전에 BigQuery DataFrames를 사용하여 BigQuery 빠른 시작의 BigQuery DataFrames 설정 안내를 따르세요. 자세한 내용은 BigQuery DataFrames 참고 문서를 확인하세요.

BigQuery에 인증하려면 애플리케이션 기본 사용자 인증 정보를 설정합니다. 자세한 내용은 로컬 개발 환경의 ADC 설정을 참조하세요.

ONNXModel 객체를 사용하여 모델을 가져옵니다.

import bigframes
from bigframes.ml.imported import ONNXModel

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_onnx_model = ONNXModel(
    model_path="gs://cloud-samples-data/bigquery/ml/onnx/pipeline_rf.onnx"
)

형식 및 스토리지 요구사항을 포함하여 BigQuery로 ONNX 모델을 가져오는 방법에 대한 자세한 내용은 ONNX 모델을 가져오기 위한 CREATE MODEL 문을 참조하세요.

가져온 ONNX 모델로 예측 수행

ONNX 모델을 가져온 후 ML.PREDICT 함수를 사용하여 모델로 예측을 수행합니다.

다음 단계의 쿼리는 imported_onnx_model을 사용하여 ml_datasets 공개 데이터 세트에 있는 iris 테이블의 입력 데이터를 사용해 예측을 수행합니다. ONNX 모델은 FLOAT 값 4개를 입력으로 예상합니다.

  • sepal_length
  • sepal_width
  • petal_length
  • petal_width

이러한 입력은 모델을 ONNX 형식으로 변환할 때 정의된 initial_types와 일치합니다.

출력에는 label 및 probabilities 열과 입력 테이블의 열이 포함됩니다. label은 예측된 클래스 라벨을 나타냅니다. probabilities는 각 클래스의 확률을 나타내는 확률 배열입니다.

가져온 ONNX 모델로 예측을 수행하려면 다음 옵션 중 하나를 선택합니다.

콘솔

  1. BigQuery Studio 페이지로 이동합니다.

    BigQuery Studio로 이동

  2. 쿼리 편집기에서 ML.PREDICT 함수를 사용하는 쿼리를 입력합니다.

    SELECT *
  FROM ML.PREDICT(MODEL `bqml_tutorial.imported_onnx_model`,
    (
    SELECT * FROM `bigquery-public-data.ml_datasets.iris`
    )
)

    쿼리 결과는 다음과 유사합니다.

    ML.PREDICT 쿼리 출력

bq

ML.PREDICT를 사용하는 쿼리를 실행합니다.

bq query --use_legacy_sql=false \
'SELECT *
FROM ML.PREDICT(
MODEL `example_dataset.imported_onnx_model`,
(SELECT * FROM `bigquery-public-data.ml_datasets.iris`))'

BigQuery DataFrames

이 샘플을 사용해 보기 전에 BigQuery DataFrames를 사용하여 BigQuery 빠른 시작의 BigQuery DataFrames 설정 안내를 따르세요. 자세한 내용은 BigQuery DataFrames 참고 문서를 확인하세요.

BigQuery에 인증하려면 애플리케이션 기본 사용자 인증 정보를 설정합니다. 자세한 내용은 로컬 개발 환경의 ADC 설정을 참조하세요.

predict 함수를 사용하여 ONNX 모델을 실행합니다.

import bigframes.pandas as bpd

df = bpd.read_gbq("bigquery-public-data.ml_datasets.iris")
predictions = imported_onnx_model.predict(df)
predictions.peek(5)

결과는 다음과 비슷합니다.

예측 함수 출력