Fare previsioni con i modelli PyTorch in formato ONNX
Panoramica
Open Neural Network Exchange (ONNX) offre un'architettura uniforme progettato per rappresentare qualsiasi framework di machine learning. Il supporto di BigQuery ML per ONNX ti consente di:
- Addestra un modello utilizzando il tuo framework preferito.
- Converti il modello nel formato del modello ONNX. Per ulteriori informazioni, vedi Conversione in formato ONNX.
- Importa il modello ONNX in BigQuery ed effettua previsioni utilizzando in BigQuery ML.
Questo tutorial mostra come importare modelli ONNX addestrati con PyTorch. in un set di dati BigQuery e utilizzarle per fare previsioni query SQL. Puoi importare modelli ONNX utilizzando queste interfacce:
- Nella console Google Cloud
- La
bq query
nello strumento a riga di comando bq - L'API BigQuery
Per saperne di più sull'importazione dei modelli ONNX in BigQuery,
inclusi i requisiti di formato e di archiviazione, vedi L'istruzione CREATE
MODEL
per l'importazione dei modelli ONNX.
Obiettivi
In questo tutorial, imparerai a:
- Creare e addestrare modelli con PyTorch.
- Converti i modelli in formato ONNX utilizzando torch.onnx.
- Importa i modelli ONNX in BigQuery ed effettua previsioni.
Creare un modello di visione artificiale PyTorch per la classificazione delle immagini
Importare un resnet18 preaddestrato PyTorch
che accetta dati di immagini decodificati restituiti da BigQuery ML
ML.DECODE_IMAGE
e le funzioni di ML.RESIZE_IMAGE
.
import torch
import torch.nn as nn
# Define model input format to match the output format of
# ML.DECODE_IMAGE function: [height, width, channels]
dummy_input = torch.randn(1, 224, 224, 3, device="cpu")
# Load a pretrained pytorch model for image classification
model = torch.hub.load('pytorch/vision:v0.10.0', 'resnet18', pretrained=True)
# Reshape input format from [batch_size, height, width, channels]
# to [batch_size, channels, height, width]
class ReshapeLayer(nn.Module):
def __init__(self):
super().__init__()
def forward(self, x):
x = x.permute(0, 3, 1, 2) # reorder dimensions
return x
class ArgMaxLayer(nn.Module):
def __init__(self):
super().__init__()
def forward(self, x):
return torch.argmax(x, dim=1)
final_model = nn.Sequential(
ReshapeLayer(),
model,
nn.Softmax(),
ArgMaxLayer()
)
Converti il modello in formato ONNX e salva
Usa torch.onnx
per esportare il modello di visione PyTorch in un file ONNX denominato resnet18.onnx
.
torch.onnx.export(final_model, # model being run
dummy_input, # model input
"resnet18.onnx", # where to save the model
opset_version=10, # the ONNX version to export the model to
input_names = ['input'], # the model's input names
output_names = ['class_label']) # the model's output names
Carica il modello ONNX in Cloud Storage
Crea un bucket Cloud Storage in cui archiviare il file del modello ONNX, quindi carica il file del modello ONNX salvato nel bucket Cloud Storage. Per ulteriori informazioni, vedi Caricare oggetti da un file system.
Importa il modello ONNX in BigQuery
Questo passaggio presuppone che tu abbia caricato il modello ONNX in Cloud Storage
di sincronizzare la directory di una VM
con un bucket. Un modello di esempio viene archiviato
gs://cloud-samples-data/bigquery/ml/onnx/resnet18.onnx
.
Console
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, inserisci
CREATE MODEL
come la seguente.CREATE OR REPLACE MODEL `mydataset.mymodel` OPTIONS (MODEL_TYPE='ONNX', MODEL_PATH='gs://bucket/path/to/onnx_model/*')
Ad esempio:
CREATE OR REPLACE MODEL `example_dataset.imported_onnx_model` OPTIONS (MODEL_TYPE='ONNX', MODEL_PATH='gs://cloud-samples-data/bigquery/ml/onnx/resnet18.onnx')
La query precedente importa il modello ONNX che si trova nella
gs://cloud-samples-data/bigquery/ml/onnx/resnet18.onnx
come Modello BigQuery denominatoimported_onnx_model
.A questo punto, il nuovo modello dovrebbe apparire nel riquadro Risorse. Man mano che espandere ciascun set di dati in un progetto, i modelli sono elencati con le altre risorse BigQuery nei set di dati. I modelli sono indicato dall'icona del modello: .
Se selezioni il nuovo modello nel riquadro Risorse, vengono visualizzate le informazioni sul modello viene visualizzata sotto Editor di query.
bq
Per importare un modello ONNX da Cloud Storage, esegui un inserendo un comando simile al seguente:
bq query \
--use_legacy_sql=false \
"CREATE MODEL
`mydataset.mymodel`
OPTIONS
(MODEL_TYPE='ONNX',
MODEL_PATH='gs://bucket/path/to/onnx_model/*')"
Ad esempio:
bq query --use_legacy_sql=false \
"CREATE OR REPLACE MODEL
`example_dataset.imported_onnx_model`
OPTIONS
(MODEL_TYPE='ONNX',
MODEL_PATH='gs://cloud-samples-data/bigquery/ml/onnx/resnet18.onnx')"
Una volta importato, il modello dovrebbe apparire nell'output di bq ls [dataset_name]
:
$ bq ls example_dataset
tableId Type Labels Time Partitioning
--------------------- ------- -------- -------------------
imported_onnx_model MODEL
API
Inserire un nuovo job e completa la jobs#configuration.query come nel seguente corpo della richiesta:
{
"query": "CREATE MODEL `project_id:mydataset.mymodel` OPTIONS(MODEL_TYPE='ONNX' MODEL_PATH='gs://bucket/path/to/onnx_model/*')"
}
Crea una tabella di oggetti in BigQuery per accedere ai dati dell'immagine
Per accedere ai dati non strutturati in BigQuery, devi creare una tabella degli oggetti. Consulta Crea tabelle di oggetti per istruzioni dettagliate.
Crea una tabella di oggetto denominata goldfish_image_table
su un'immagine di un pesce rosso archiviato
alle ore gs://mybucket/goldfish.jpg
.
CREATE EXTERNAL TABLE `example_dataset.goldfish_image_table`
WITH CONNECTION `us.my-connection`
OPTIONS(
object_metadata = 'SIMPLE',
uris = ['gs://mybucket/goldfish.jpg'],
max_staleness = INTERVAL 1 DAY,
metadata_cache_mode = 'AUTOMATIC');
Effettuare previsioni con il modello ONNX importato
Console
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, inserisci una query utilizzando
ML.PREDICT
. come mostrato di seguito.SELECT class_label FROM ML.PREDICT(MODEL
example_dataset.imported_onnx_model
, ( SELECT ML.RESIZE_IMAGE(ML.DECODE_IMAGE(DATA), 224, 224, FALSE) AS input FROM example_dataset.goldfish_image_table) )La query precedente utilizza il modello denominato
imported_onnx_model
nel set di datiexample_dataset
del progetto attuale per previsioni dai dati di immagine nella tabella dell'oggetto di inputgoldfish_image_table
.ML.DECODE_IMAGE
per decodificare i dati immagine in modo che possano essere interpretati daML.PREDICT
. Inoltre, viene chiamata la funzioneML.RESIZE_IMAGE
per ridimensionare l'immagine in modo che si adatti alle dimensioni dell'input del modello (224 x 224). Per maggiori informazioni sull'esecuzione dell'inferenza nelle tabelle di oggetti immagine, consulta Esegui l'inferenza sulle tabelle di oggetti immagine.Questa query restituisce l'etichetta di classe prevista dell'immagine di input in base a le etichette ImageNet dizionario.
bq
Per eseguire previsioni in base ai dati di input nella tabella input_data
, inserisci un
come il seguente, utilizzando il modello ONNX importato my_model
:
bq query \
--use_legacy_sql=false \
'SELECT *
FROM ML.PREDICT(
MODEL `my_project.my_dataset.my_model`,
(SELECT * FROM input_data))'
API
Inserire un nuovo job e completa la jobs#configuration.query come nel seguente corpo della richiesta:
{
"query": "SELECT * FROM ML.PREDICT(MODEL `my_project.my_dataset.my_model`, (SELECT * FROM input_data))"
}
Passaggi successivi
- Per ulteriori informazioni sull'importazione dei modelli ONNX, consulta l'articolo L'istruzione
CREATE MODEL
per i modelli ONNX. - Per ulteriori informazioni sui tutorial e sui convertitori ONNX disponibili, consulta la sezione Conversione in formato ONNX.
- Per una panoramica di BigQuery ML, consulta Introduzione a BigQuery ML.
- Per iniziare a utilizzare BigQuery ML, consulta Creare modelli di machine learning in BigQuery ML.
- Per ulteriori informazioni sull'utilizzo dei modelli, consulta queste risorse: