En este instructivo, se muestra cómo exportar un modelo de BigQuery ML y, luego, implementarlo en AI Platform o en una máquina local. Usarás la tabla iris
de los conjuntos de datos públicos de BigQuery y trabajarás en las siguientes tres situaciones de extremo a extremo:
- Entrena y, luego, implementa un modelo de regresión logística (también se aplica al clasificador de DNN, el regresor de DNN, el k-means, la regresión lineal y los modelos de factorización de matrices).
- Entrena y, luego, implementa un modelo clasificador de árbol mejorado (también se aplica al modelo regresor de árbol mejorado).
- Entrena y, luego, implementa un modelo clasificador de AutoML (también se aplica al modelo regresor de AutoML).
Costos
En este instructivo, se usan los siguientes componentes facturables de Google Cloud:
- BigQuery ML
- Cloud Storage
- AI Platform (opcional, se usa para la predicción en línea)
Para obtener más información sobre los costos de BigQuery ML, consulta los precios de BigQuery ML.
Para obtener más información sobre los costos de Cloud Storage, consulta la página de precios de Cloud Storage.
Para obtener más información sobre los costos de AI Platform, consulta la página de asignación de recursos y nodos de predicción.
Antes de comenzar
- Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.
- BigQuery se habilita automáticamente en proyectos nuevos.
Para activar BigQuery en un proyecto existente, ve a
Enable the BigQuery API.
-
Enable the AI Platform Training and Prediction API and Compute Engine APIs.
- Instala Google Cloud CLI y Google Cloud CLI.
Crea el conjunto de datos
Crea un conjunto de datos de BigQuery para almacenar tu modelo de AA:
En la consola de Google Cloud, ve a la página de BigQuery.
En el panel Explorer, haz clic en el nombre de tu proyecto.
Haz clic en
Ver acciones > Crear conjunto de datos.En la página Crear conjunto de datos, haz lo siguiente:
En ID del conjunto de datos, ingresa
bqml_tutorial
.En Tipo de ubicación, selecciona Multirregión y, luego, EE.UU. (varias regiones en Estados Unidos).
Los conjuntos de datos públicos se almacenan en la multirregión
US
. Para que sea más simple, almacena tu conjunto de datos en la misma ubicación.Deja la configuración predeterminada restante como está y haz clic en Crear conjunto de datos.
Entrena e implementa un modelo de regresión logística
Entrena el modelo
Entrena un modelo de regresión logística que prediga el tipo de iris mediante la declaración CREATE MODEL
de BigQuery ML. Este trabajo de entrenamiento debería llevar alrededor de 1 minuto.
bq query --use_legacy_sql=false \ 'CREATE MODEL `bqml_tutorial.iris_model` OPTIONS (model_type="logistic_reg", max_iterations=10, input_label_cols=["species"]) AS SELECT * FROM `bigquery-public-data.ml_datasets.iris`;'
Exporta el modelo
Exporta el modelo a un bucket de Cloud Storage mediante la herramienta de línea de comandos de bq. Para conocer más formas de exportar modelos, consulta Exporta modelos de BigQuery ML. Este trabajo de extracción debería llevar menos de 1 minuto.
bq extract -m bqml_tutorial.iris_model gs://some/gcs/path/iris_model
Implementación y entrega locales
Puedes implementar modelos exportados de TensorFlow mediante el contenedor de Docker de TensorFlow Serving. Para los siguientes pasos, debes instalar Docker.
Descarga los archivos del modelo exportado en un directorio temporal
mkdir tmp_dir
gcloud storage cp gs://some/gcs/path/iris_model tmp_dir --recursive
Crea un subdirectorio de la versión
Con este paso, se establece un número de versión (1 en este caso) para el modelo.
mkdir -p serving_dir/iris_model/1
cp -r tmp_dir/iris_model/* serving_dir/iris_model/1
rm -r tmp_dir
Extrae la imagen de Docker
docker pull tensorflow/serving
Ejecuta el contenedor de Docker
docker run -p 8500:8500 --network="host" --mount type=bind,source=`pwd`/serving_dir/iris_model,target=/models/iris_model -e MODEL_NAME=iris_model -t tensorflow/serving &
Ejecuta la predicción
curl -d '{"instances": [{"sepal_length":5.0, "sepal_width":2.0, "petal_length":3.5, "petal_width":1.0}]}' -X POST http://localhost:8501/v1/models/iris_model:predict
Implementación y entrega en línea
En esta sección, se usa la CLI de Google Cloud para implementar y ejecutar predicciones en el modelo exportado.
Si deseas obtener más detalles sobre la implementación de un modelo en AI Platform para predicciones en línea o por lotes, consulta Implementa modelos.
Crea un recurso de modelo
MODEL_NAME="IRIS_MODEL"
gcloud ai-platform models create $MODEL_NAME
Cómo crear una versión del modelo
1) Configura las variables de entorno.
MODEL_DIR="gs://some/gcs/path/iris_model"
// Select a suitable version for this model
VERSION_NAME="v1"
FRAMEWORK="TENSORFLOW"
2) Crea la versión
gcloud ai-platform versions create $VERSION_NAME --model=$MODEL_NAME --origin=$MODEL_DIR --runtime-version=1.15 --framework=$FRAMEWORK
Este paso puede llevar unos minutos en completarse. Debería aparecer el mensaje Creating version (this might take a few minutes)......
.
3) Obtén información sobre la versión nueva (opcional)
gcloud ai-platform versions describe $VERSION_NAME --model $MODEL_NAME
Deberías ver un resultado similar a este:
createTime: '2020-02-28T16:30:45Z'
deploymentUri: gs://your_bucket_name
framework: TENSORFLOW
machineType: mls1-c1-m2
name: projects/[YOUR-PROJECT-ID]/models/IRIS_MODEL/versions/v1
pythonVersion: '2.7'
runtimeVersion: '1.15'
state: READY
Predicción en línea
Los detalles sobre la ejecución de predicciones en línea en un modelo implementado están disponibles en Solicita predicciones.
1) Crea un archivo JSON delimitado por saltos de línea para entradas, por ejemplo, un archivo instances.json
con el siguiente contenido:
{"sepal_length":5.0, "sepal_width":2.0, "petal_length":3.5, "petal_width":1.0}
{"sepal_length":5.3, "sepal_width":3.7, "petal_length":1.5, "petal_width":0.2}
2) Configura variables de entorno para la predicción
INPUT_DATA_FILE="instances.json"
3) Ejecuta la predicción
gcloud ai-platform predict --model $MODEL_NAME --version $VERSION_NAME --json-instances $INPUT_DATA_FILE
Entrena, y luego, implementa un modelo clasificador de árbol mejorado
Entrena el modelo
Entrena un modelo clasificador de árbol mejorado que prediga el tipo de iris mediante la declaración CREATE MODEL
. Este trabajo de entrenamiento debería tomar alrededor de 7 minutos en completarse.
bq query --use_legacy_sql=false \ 'CREATE MODEL `bqml_tutorial.boosted_tree_iris_model` OPTIONS (model_type="boosted_tree_classifier", max_iterations=10, input_label_cols=["species"]) AS SELECT * FROM `bigquery-public-data.ml_datasets.iris`;'
Exporta el modelo
Exporta el modelo a un bucket de Cloud Storage mediante la herramienta de línea de comandos de bq. Para conocer más formas de exportar modelos, consulta Exporta modelos de BigQuery ML.
bq extract --destination_format ML_XGBOOST_BOOSTER -m bqml_tutorial.boosted_tree_iris_model gs://some/gcs/path/boosted_tree_iris_model
Implementación y entrega locales
En los archivos exportados, hay un archivo main.py
para la ejecución local.
Descarga los archivos del modelo exportado a un directorio local
mkdir serving_dir
gcloud storage cp gs://some/gcs/path/boosted_tree_iris_model serving_dir --recursive
Predictor de extracción
tar -xvf serving_dir/boosted_tree_iris_model/xgboost_predictor-0.1.tar.gz -C serving_dir/boosted_tree_iris_model/
Instala la biblioteca XGBoost
Instala la biblioteca XGBoost (versión 0.82 o posterior).
Ejecuta la predicción
cd serving_dir/boosted_tree_iris_model/
python main.py '[{"sepal_length":5.0, "sepal_width":2.0, "petal_length":3.5, "petal_width":1.0}]'
Implementación y entrega en línea
En esta sección, se usa la CLI de Google Cloud para implementar y ejecutar predicciones en el modelo exportado en la predicción en línea de AI Platform.
Si deseas obtener más detalles sobre la implementación de un modelo en AI Platform para predicciones en línea o por lotes mediante rutinas personalizadas, consulta Implementa modelos.
Crea un recurso de modelo
MODEL_NAME="BOOSTED_TREE_IRIS_MODEL"
gcloud ai-platform models create $MODEL_NAME
Cómo crear una versión del modelo
1) Configura las variables de entorno.
MODEL_DIR="gs://some/gcs/path/boosted_tree_iris_model"
VERSION_NAME="v1"
2) Crea la versión
gcloud beta ai-platform versions create $VERSION_NAME --model=$MODEL_NAME --origin=$MODEL_DIR --package-uris=${MODEL_DIR}/xgboost_predictor-0.1.tar.gz --prediction-class=predictor.Predictor --runtime-version=1.15
Este paso puede llevar unos minutos en completarse. Debería aparecer el mensaje Creating version (this might take a few minutes)......
.
3) Obtén información sobre la versión nueva (opcional)
gcloud ai-platform versions describe $VERSION_NAME --model $MODEL_NAME
Deberías ver un resultado similar a este:
createTime: '2020-02-07T00:35:42Z'
deploymentUri: gs://some/gcs/path/boosted_tree_iris_model
etag: rp090ebEnQk=
machineType: mls1-c1-m2
name: projects/[YOUR-PROJECT-ID]/models/BOOSTED_TREE_IRIS_MODEL/versions/v1
packageUris:
- gs://some/gcs/path/boosted_tree_iris_model/xgboost_predictor-0.1.tar.gz
predictionClass: predictor.Predictor
pythonVersion: '2.7'
runtimeVersion: '1.15'
state: READY
Predicción en línea
Para obtener más detalles sobre la ejecución de predicciones en línea en un modelo implementado, consulta Solicita predicciones.
1) Crea un archivo JSON delimitado por saltos de línea para entradas, por ejemplo, un archivo instances.json
con el siguiente contenido:
{"sepal_length":5.0, "sepal_width":2.0, "petal_length":3.5, "petal_width":1.0}
{"sepal_length":5.3, "sepal_width":3.7, "petal_length":1.5, "petal_width":0.2}
2) Configura variables de entorno para predecir
INPUT_DATA_FILE="instances.json"
3) Ejecuta la predicción
gcloud ai-platform predict --model $MODEL_NAME --version $VERSION_NAME --json-instances $INPUT_DATA_FILE
Entrena e implementa un modelo clasificador de AutoML
Entrena el modelo
Entrena un modelo clasificador de AutoML que prediga el tipo de iris mediante la sentencia CREATE MODEL
. Los modelos de AutoML necesitan al menos 1,000 filas de datos de entrada. Debido a que ml_datasets.iris
solo tiene 150 filas, duplicamos los datos 10 veces. Este trabajo de entrenamiento debería tomar alrededor de 2 horas en completarse.
bq query --use_legacy_sql=false \ 'CREATE MODEL `bqml_tutorial.automl_iris_model` OPTIONS (model_type="automl_classifier", budget_hours=1, input_label_cols=["species"]) AS SELECT * EXCEPT(multiplier) FROM `bigquery-public-data.ml_datasets.iris`, unnest(GENERATE_ARRAY(1, 10)) as multiplier;'
Exporta el modelo
Exporta el modelo a un bucket de Cloud Storage mediante la herramienta de línea de comandos de bq. Para conocer más formas de exportar modelos, consulta Exporta modelos de BigQuery ML.
bq extract -m bqml_tutorial.automl_iris_model gs://some/gcs/path/automl_iris_model
Implementación y entrega locales
Para obtener detalles sobre la compilación de contenedores de AutoML, consulta Exporta modelos. Para los siguientes pasos, debes instalar Docker.
Copia los archivos del modelo exportado a un directorio local
mkdir automl_serving_dir
gcloud storage cp gs://some/gcs/path/automl_iris_model/* automl_serving_dir/ --recursive
Extrae una imagen de Docker de Auto ML
docker pull gcr.io/cloud-automl-tables-public/model_server
Inicia el contenedor de Docker
docker run -v `pwd`/automl_serving_dir:/models/default/0000001 -p 8080:8080 -it gcr.io/cloud-automl-tables-public/model_server
Ejecuta la predicción
1) Crea un archivo JSON delimitado por saltos de línea para entradas, por ejemplo, un archivo input.json
con el siguiente contenido:
{"instances": [{"sepal_length":5.0, "sepal_width":2.0, "petal_length":3.5, "petal_width":1.0},
{"sepal_length":5.3, "sepal_width":3.7, "petal_length":1.5, "petal_width":0.2}]}
2) Realiza la llamada de predicción:
curl -X POST --data @input.json http://localhost:8080/predict
Implementación y entrega en línea
La predicción en línea para los modelos regresor de AutoML y clasificador de AutoML no es compatible con AI Platform.
Limpia
Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.
- Puedes borrar el proyecto que creaste.
- También puedes conservar el proyecto y borrar el conjunto de datos y el bucket de Cloud Storage.
Detén el contenedor de Docker
1) Enumera todos los contenedores de Docker en ejecución.
docker ps
2) Detén el contenedor con el ID de contenedor aplicable de la lista de contenedores.
docker stop container_id
Borra recursos de AI Platform
1) Borra la versión del modelo.
gcloud ai-platform versions delete $VERSION_NAME --model=$MODEL_NAME
2) Borra el modelo.
gcloud ai-platform models delete $MODEL_NAME
Borra tu conjunto de datos
Borrar tu proyecto quita todos sus conjuntos de datos y tablas. Si prefieres volver a usar el proyecto, puedes borrar el conjunto de datos que creaste en este instructivo:
Si es necesario, abre la página de BigQuery en la consola de Google Cloud.
En el panel de navegación, haz clic en el conjunto de datos bqml_tutorial que creaste.
Haz clic en Borrar conjunto de datos en el lado derecho de la ventana. Esta acción borra el conjunto de datos, la tabla y todos los datos.
En el cuadro de diálogo Borrar conjunto de datos, ingresa el nombre del conjunto de datos (
bqml_tutorial
) y, luego, haz clic en Borrar para confirmar el comando de borrado.
Borra el bucket de Cloud Storage
Si borras el proyecto, se quitarán todos los buckets de Cloud Storage del proyecto. Si prefieres volver a usar el proyecto, puedes borrar el bucket que creaste en este instructivo.
- En la consola de Google Cloud, ve a la página Buckets de Cloud Storage.
Selecciona la casilla de verificación del bucket que desees borrar.
Haz clic en Borrar.
En la ventana de superposición que aparece, haz clic en Borrar para confirmar que deseas borrar el bucket y su contenido.
Borra tu proyecto
Para borrar el proyecto, haz lo siguiente:
- En la consola de Google Cloud, ve a la página Administrar recursos.
- En la lista de proyectos, elige el proyecto que quieres borrar y haz clic en Borrar.
- En el diálogo, escribe el ID del proyecto y, luego, haz clic en Cerrar para borrar el proyecto.
Próximos pasos
- Para obtener una descripción general de BigQuery ML, consulta Introducción a BigQuery ML.
- Para obtener información sobre la exportación de modelos, consulta Exporta modelos.
- Para obtener información sobre cómo crear modelos, consulta la página de sintaxis de
CREATE MODEL
.