使用预训练的 TensorFlow 模型嵌入文本

本教程介绍如何使用预训练的 TensorFlow 模型在 BigQuery 中生成 NNLM、SWIVEL 和 BERT 文本嵌入。文本嵌入是一段文本的密集矢量表示，如果两段文本在语义上是相似的，则它们的嵌入在嵌入向量空间中彼此接近。

NNLM、SWIVEL 和 BERT 模型

NNLM、SWIVEL 和 BERT 模型的大小、准确性、可扩缩性和费用各不相同。使用下表帮助您确定要使用的模型：

模型	模型大小	嵌入维度	使用场景	说明
NNLM	<150MB	50	简短短语、新闻、推文、评价	神经网络语言模型
SWIVEL	<150MB	20	简短短语、新闻、推文、评价	子矩阵矢量嵌入学习器
BERT	~200MB	768	简短短语、新闻、推文、评价、短段落	基于转换器的双向编码器表示法

在本教程中，NNLM 和 SWIVEL 模型是导入的 TensorFlow 模型，而 BERT 模型是 Vertex AI 上的远程模型。

所需权限

• 如需创建数据集，您需要拥有 bigquery.datasets.create Identity and Access Management (IAM) 权限。

• 如需创建存储桶，您需要拥有 storage.buckets.create IAM 权限。

• 如需将模型上传到 Cloud Storage，您需要拥有 storage.objects.create 和 storage.objects.get IAM 权限。

• 如需创建连接资源，您需要以下 IAM 权限：

  • bigquery.connections.create
  • bigquery.connections.get

• 如需将模型加载到 BigQuery ML 中，您需要以下 IAM 权限：

  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData

• 如需运行推断，您需要以下 IAM 权限：

  • 对象表的 bigquery.tables.getData 权限
  • 模型的 bigquery.models.getData 权限
  • bigquery.jobs.create

费用

在本文档中，您将使用 Google Cloud 的以下收费组件：

• BigQuery：您在 BigQuery 中运行的查询会产生费用。
• BigQuery ML：您在 BigQuery ML 中创建模型和执行推断时会产生费用。
• Cloud Storage：您需要为存储在 Cloud Storage 中的对象支付费用。
• Vertex AI：如果按照生成 BERT 模型的说明执行操作，则将模型部署到端点会产生费用。

您可使用价格计算器根据您的预计使用情况来估算费用。 Google Cloud 新用户可能有资格申请免费试用。

如需了解详情，请参阅以下资源：

• 存储价格
• BigQuery ML 价格
• Cloud Storage 价格
• Vertex AI 价格

须知事项

1. 登录您的 Google Cloud 账号。如果您是 Google Cloud 新手，请创建一个账号来评估我们的产品在实际场景中的表现。新客户还可获享 $300 赠金，用于运行、测试和部署工作负载。

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. 确保您的 Google Cloud 项目已启用结算功能。

4. Enable the BigQuery, BigQuery Connection, and Vertex AI APIs.

   Enable the APIs

5. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

6. 确保您的 Google Cloud 项目已启用结算功能。

7. Enable the BigQuery, BigQuery Connection, and Vertex AI APIs.

   Enable the APIs

注意：仅 BERT 模型需要 Vertex AI API 和 BigQuery Connection API。

创建数据集

如需创建名为 tf_models_tutorial 的数据集以存储您创建的模型，请选择以下选项之一：

SQL

使用 CREATE SCHEMA 语句：

1. 在 Google Cloud 控制台中，转到 BigQuery 页面。

   转到 BigQuery

2. 在查询编辑器中，输入以下语句：

   CREATE SCHEMA `PROJECT_ID.tf_models_tutorial`;
   

   将 PROJECT_ID 替换为您的项目 ID。

3. 点击 运行。

如需详细了解如何运行查询，请参阅运行交互式查询。

bq

1. 在 Google Cloud 控制台中，激活 Cloud Shell。

   激活 Cloud Shell

2. 如需创建数据集，请运行 bq mk 命令：

   bq mk --dataset --location=us PROJECT_ID:tf_models_tutorial
   

   将 PROJECT_ID 替换为您的项目 ID。

生成模型并将其上传到 Cloud Storage

如需详细了解如何使用预训练的 TensorFlow 模型生成文本嵌入，请参阅 Colab 笔记本。否则，请选择以下模型之一：

NNLM

1. 使用 pip 安装 bigquery-ml-utils 库：

   pip install bigquery-ml-utils
   

2. 生成 NNLM 模型。以下 Python 代码从 TensorFlow Hub 加载了 NNLM 模型，并为其准备了 BigQuery：

   from bigquery_ml_utils import model_generator
   
   # Establish an instance of TextEmbeddingModelGenerator.
   text_embedding_model_generator = model_generator.TextEmbeddingModelGenerator()
   
   # Generate an NNLM model.
   text_embedding_model_generator.generate_text_embedding_model('nnlm', OUTPUT_MODEL_PATH)
   

   将 OUTPUT_MODEL_PATH 替换为本地文件夹的路径，您可以在其中临时存储模型。

3. 可选：输出生成的模型的签名：

   import tensorflow as tf
   
   reload_embedding_model = tf.saved_model.load(OUTPUT_MODEL_PATH)
   print(reload_embedding_model.signatures["serving_default"])
   

4. 如需将生成的模型从本地文件夹复制到 Cloud Storage 存储桶，请使用 gsutil 工具：

   gsutil cp -r OUTPUT_MODEL_PATH gs://BUCKET_PATH/nnlm_model
   

   将 BUCKET_PATH 替换为要将模型复制到的 Cloud Storage 存储桶的名称。

SWIVEL

1. 使用 pip 安装 bigquery-ml-utils 库：

   pip install bigquery-ml-utils
   

2. 生成 SWIVEL 模型。以下 Python 代码从 TensorFlow Hub 加载 SWIVEL 模型，并为其准备 BigQuery：

   from bigquery_ml_utils import model_generator
   
   # Establish an instance of TextEmbeddingModelGenerator.
   text_embedding_model_generator = model_generator.TextEmbeddingModelGenerator()
   
   # Generate a SWIVEL model.
   text_embedding_model_generator.generate_text_embedding_model('swivel', OUTPUT_MODEL_PATH)
   

   将 OUTPUT_MODEL_PATH 替换为本地文件夹的路径，您可以在其中临时存储模型。

3. 可选：输出生成的模型的签名：

   import tensorflow as tf
   
   reload_embedding_model = tf.saved_model.load(OUTPUT_MODEL_PATH)
   print(reload_embedding_model.signatures["serving_default"])
   

4. 如需将生成的模型从本地文件夹复制到 Cloud Storage 存储桶，请使用 gsutil 工具：

   gsutil cp -r OUTPUT_MODEL_PATH gs://BUCKET_PATH/swivel_model
   

   将 BUCKET_PATH 替换为要将模型复制到的 Cloud Storage 存储桶的名称。

BERT

1. 使用 pip 安装 bigquery-ml-utils 库：

   pip install bigquery-ml-utils
   

2. 生成 BERT 模型。以下 Python 代码从 TensorFlow Hub 加载 BERT 模型，并为其准备了 BigQuery：

   from bigquery_ml_utils import model_generator
   
   # Establish an instance of TextEmbeddingModelGenerator.
   text_embedding_model_generator = model_generator.TextEmbeddingModelGenerator()
   
   # Generate a BERT model.
   text_embedding_model_generator.generate_text_embedding_model('bert', OUTPUT_MODEL_PATH)
   

   将 OUTPUT_MODEL_PATH 替换为本地文件夹的路径，您可以在其中临时存储模型。

3. 可选：输出生成的模型的签名：

   import tensorflow as tf
   
   reload_embedding_model = tf.saved_model.load(OUTPUT_MODEL_PATH)
   print(reload_embedding_model.signatures["serving_default"])
   

4. 如需将生成的模型从本地文件夹复制到 Cloud Storage 存储桶，请使用 gsutil 工具：

   gsutil cp -r OUTPUT_MODEL_PATH gs://BUCKET_PATH/bert_model
   

   将 BUCKET_PATH 替换为要将模型复制到的 Cloud Storage 存储桶的名称。

将模型加载到 BigQuery 中

选择以下模型之一：

NNLM

使用 CREATE MODEL 语句：

1. 在 Google Cloud 控制台中，转到 BigQuery 页面。

   转到 BigQuery

2. 在查询编辑器中，输入以下语句：

   CREATE OR REPLACE MODEL tf_models_tutorial.nnlm_model
   OPTIONS (
     model_type = 'TENSORFLOW',
     model_path = 'gs://BUCKET_NAME/nnlm_model/*');
   

   将 BUCKET_NAME 替换为您之前创建的存储桶的名称。

3. 点击 运行。

如需详细了解如何运行查询，请参阅运行交互式查询。

SWIVEL

使用 CREATE MODEL 语句：

1. 在 Google Cloud 控制台中，转到 BigQuery 页面。

   转到 BigQuery

2. 在查询编辑器中，输入以下语句：

   CREATE OR REPLACE MODEL tf_models_tutorial.swivel_model
   OPTIONS (
     model_type = 'TENSORFLOW',
     model_path = 'gs://BUCKET_NAME/swivel_model/*');
   

   将 BUCKET_NAME 替换为您之前创建的存储桶的名称。

3. 点击 运行。

如需详细了解如何运行查询，请参阅运行交互式查询。

BERT

如需将 BERT 模型加载到 BigQuery，请将 BERT 模型导入 Vertex AI，将模型部署到 Vertex AI 端点，创建连接，然后在 BigQuery 中创建远程模型。

如需将 BERT 模型导入 Vertex AI，请按照以下步骤操作：

1. 在 Google Cloud 控制台中，进入 Vertex AI Model Registry 页面。

   进入 Model Registry

2. 点击导入，然后执行以下操作：

   • 对于名称，输入 BERT。
   • 对于区域，选择与您的 Cloud Storage 存储桶的区域匹配的区域。

3. 点击继续，然后执行以下操作：

   • 对于模型框架版本，选择 2.8。
   • 对于模型工件位置，输入您存储模型文件的 Cloud Storage 存储桶的路径。例如 gs://BUCKET_PATH/bert_model。

4. 点击导入。导入完成后，您的模型将显示在 Model Registry 页面上。

如需将 BERT 模型部署到 Vertex AI 端点并将其连接到 BigQuery，请按照以下步骤操作：

1. 在 Google Cloud 控制台中，进入 Vertex AI Model Registry 页面。

   进入 Model Registry

2. 点击您的模型的名称。

3. 点击部署和测试。

4. 点击部署到端点。

5. 对于端点名称，输入 bert_model_endpoint。

6. 点击继续。

7. 选择您的计算资源。

8. 点击部署。

9. 创建 BigQuery Cloud 资源连接并向该连接的服务账号授予访问权限。

如需根据 Vertex AI 端点创建远程模型，请使用 CREATE MODEL 语句：

1. 在 Google Cloud 控制台中，转到 BigQuery 页面。

   转到 BigQuery

2. 在查询编辑器中，输入以下语句：

   CREATE OR REPLACE MODEL tf_models_tutorial.bert_model
   INPUT(content STRING)
   OUTPUT(embedding ARRAY<FLOAT64>)
   REMOTE WITH CONNECTION `PROJECT_ID.CONNECTION_LOCATION.CONNECTION_ID`
   OPTIONS (
     ENDPOINT = "https://ENDPOINT_LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/ENDPOINT_LOCATION/endpoints/ENDPOINT_ID");
   

   请替换以下内容：

   • PROJECT_ID：项目 ID
   • CONNECTION_LOCATION：BigQuery 连接的位置
   • CONNECTION_ID：BigQuery 连接的 ID

     当您在 Google Cloud 控制台中查看连接详情时，它是连接 ID 中显示的完全限定连接 ID 的最后一部分中的值，例如 projects/myproject/locations/connection_location/connections/myconnection

   • ENDPOINT_LOCATION：Vertex AI 端点的位置。例如：“us-central1”。
   • ENDPOINT_ID：模型端点的 ID

3. 点击 运行。

如需详细了解如何运行查询，请参阅运行交互式查询。

生成文本嵌入

在本部分中，您将使用 ML.PREDICT() 推断函数从公共数据集 bigquery-public-data.imdb.reviews 生成 review 列的文本嵌入。该查询将表限制为 500 行，以减少处理的数据量。

NNLM

SELECT
  *
FROM
  ML.PREDICT(
    MODEL `tf_models_tutorial.nnlm_model`,
    (
    SELECT
      review AS content
    FROM
      `bigquery-public-data.imdb.reviews`
    LIMIT
      500)
  );

结果类似于以下内容：

+-----------------------+----------------------------------------+
| embedding             | content                                |
+-----------------------+----------------------------------------+
|  0.08599445223808289  | Isabelle Huppert must be one of the... |
| -0.04862852394580841  |                                        |
| -0.017750458791851997 |                                        |
|  0.8658871650695801   |                                        |
| ...                   |                                        |
+-----------------------+----------------------------------------+

SWIVEL

SELECT
  *
FROM
  ML.PREDICT(
    MODEL `tf_models_tutorial.swivel_model`,
    (
    SELECT
      review AS content
    FROM
      `bigquery-public-data.imdb.reviews`
    LIMIT
      500)
  );

结果类似于以下内容：

+----------------------+----------------------------------------+
| embedding            | content                                |
+----------------------+----------------------------------------+
|  2.5952553749084473  | Isabelle Huppert must be one of the... |
| -4.015787601470947   |                                        |
|  3.6275434494018555  |                                        |
| -6.045154333114624   |                                        |
| ...                  |                                        |
+----------------------+----------------------------------------+

BERT

SELECT
  *
FROM
  ML.PREDICT(
    MODEL `tf_models_tutorial.bert_model`,
    (
    SELECT
      review AS content
    FROM
      `bigquery-public-data.imdb.reviews`
    LIMIT
      500)
  );

结果类似于以下内容：

+--------------+---------------------+----------------------------------------+
| embedding    | remote_model_status | content                                |
+--------------+---------------------+----------------------------------------+
| -0.694072425 | null                | Isabelle Huppert must be one of the... |
|  0.439208865 |                     |                                        |
|  0.99988997  |                     |                                        |
| -0.993487895 |                     |                                        |
| ...          |                     |                                        |
+--------------+---------------------+----------------------------------------+

清理

注意：删除项目会产生以下影响：

• 项目中的所有内容都会被删除。如果您将现有项目用于本文档中的任务，则删除该项目后，还将删除您已在该项目中完成的任何其他工作。
• 自定义项目 ID 丢失。创建此项目时，您可能创建了要在将来使用的自定义项目 ID。要保留使用该项目 ID 的网址（例如 appspot.com 网址），请删除项目内的所选资源，而不是删除整个项目。

如果您打算探索多个架构、教程或快速入门，则重复使用项目可以帮助您避免超出项目配额限制。

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.