Hacer predicciones con modelos de PyTorch en formato ONNX

---

Open Neural Network Exchange (ONNX) proporciona un formato uniforme diseñado para representar cualquier marco de aprendizaje automático. La compatibilidad de BigQuery ML con ONNX te permite hacer lo siguiente:

• Entrena un modelo con tu framework favorito.
• Convierte el modelo al formato ONNX.
• Importa el modelo ONNX a BigQuery y haz predicciones con BigQuery ML.

En este tutorial se muestra cómo importar modelos ONNX entrenados con PyTorch a un conjunto de datos de BigQuery y usarlos para hacer predicciones a partir de una consulta SQL.

Importante: Debes tener una reserva para ejecutar predicciones con modelos y tablas de objetos importados. Para obtener más información, consulta las limitaciones de los modelos ONNX importados.

Objetivos

• Importa un modelo preentrenado con PyTorch.
• Convierte el modelo al formato ONNX con torch.onnx.
• Usa la instrucción CREATE MODEL para importar el modelo ONNX a BigQuery.
• Usa la función ML.PREDICT para hacer predicciones con el modelo ONNX importado.

Costes

En este documento, se utilizan los siguientes componentes facturables de Google Cloud:

• BigQuery
• BigQuery ML
• Cloud Storage

Para generar una estimación de costes basada en el uso previsto, utiliza la calculadora de precios.

Los usuarios nuevos Google Cloud pueden disfrutar de una prueba gratuita.

Cuando termines las tareas que se describen en este documento, puedes evitar que se te siga facturando eliminando los recursos que has creado. Para obtener más información, consulta la sección Limpiar.

Antes de empezar

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

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

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

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

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

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

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

1. Verify that billing is enabled for your Google Cloud project.

2. Enable the BigQuery, BigQuery Connection, and Cloud Storage APIs.

   Roles required to enable APIs

   To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

   Enable the APIs

3. Asegúrate de que tienes los permisos necesarios para realizar las tareas descritas en este documento.

Roles obligatorios

Si creas un proyecto, serás el propietario y se te concederán todos los permisos de gestión de identidades y accesos (IAM) necesarios para completar este tutorial.

Si usas un proyecto que ya tengas, haz lo siguiente.

Make sure that you have the following role or roles on the project:

• BigQuery Studio Admin (roles/bigquery.studioAdmin)
• BigQuery Connection Admin (roles/bigquery.connectionAdmin)
• Storage Admin (roles/storage.admin)

Check for the roles

1. In the Google Cloud console, go to the IAM page.

   Go to IAM
2. Select the project.

3. In the Principal column, find all rows that identify you or a group that you're included in. To learn which groups you're included in, contact your administrator.

4. For all rows that specify or include you, check the Role column to see whether the list of roles includes the required roles.

Grant the roles

1. In the Google Cloud console, go to the IAM page.

   Ir a IAM
2. Selecciona el proyecto.
3. Haz clic en Conceder acceso.

4. En el campo Nuevos principales, introduce tu identificador de usuario. Normalmente, se trata de la dirección de correo de una cuenta de Google.

5. En la lista Selecciona un rol, elige un rol.
6. Para conceder más roles, haz clic en Añadir otro rol y añade cada rol adicional.
7. Haz clic en Guardar.

Para obtener más información sobre los permisos de gestión de identidades y accesos en BigQuery, consulta el artículo sobre permisos de gestión de identidades y accesos.

Opcional: Entrenar un modelo y convertirlo al formato ONNX

En los siguientes ejemplos de código se muestra cómo importar un modelo de clasificación preentrenado en PyTorch y cómo convertir el modelo resultante al formato ONNX. En este tutorial se usa un modelo de ejemplo precompilado almacenado en gs://cloud-samples-data/bigquery/ml/onnx/resnet18.onnx. No es necesario que completes estos pasos si utilizas el modelo de ejemplo.

Crear un modelo de visión de PyTorch para clasificar imágenes

Usa el siguiente código de ejemplo para importar un modelo resnet18 preentrenado de PyTorch que acepte datos de imagen decodificados devueltos por las funciones ML.DECODE_IMAGE y ML.RESIZE_IMAGE de BigQuery ML.

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()
)

Convertir el modelo al formato ONNX

Usa el siguiente ejemplo para exportar el modelo de visión de PyTorch con torch.onnx. El archivo ONNX exportado se llama 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

Subir el modelo ONNX a Cloud Storage

Después de guardar el modelo, haz lo siguiente:

• Crea un segmento de Cloud Storage para almacenar el modelo.
• Sube el modelo ONNX a tu segmento de Cloud Storage.

Crear conjunto de datos

Crea un conjunto de datos de BigQuery para almacenar tu modelo de aprendizaje automático.

Consola

1. En la Google Cloud consola, ve a la página BigQuery.

   Ir a la página de BigQuery

2. En el panel Explorador, haz clic en el nombre de tu proyecto.

3. Haga clic en Ver acciones > Crear conjunto de datos.

4. En la página Crear conjunto de datos, haz lo siguiente:

   • En ID del conjunto de datos, introduce bqml_tutorial.

   • En Tipo de ubicación, selecciona Multirregión y, a continuación, EE. UU. (varias regiones de Estados Unidos).

   • Deje el resto de los ajustes predeterminados como están y haga clic en Crear conjunto de datos.

bq

Para crear un conjunto de datos, usa el comando bq mk con la marca --location. Para ver una lista completa de los parámetros posibles, consulta la referencia del comando bq mk --dataset.

1. Crea un conjunto de datos llamado bqml_tutorial con la ubicación de los datos definida como US y la descripción BigQuery ML tutorial dataset:

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

   En lugar de usar la marca --dataset, el comando usa el acceso directo -d. Si omite -d y --dataset, el comando creará un conjunto de datos de forma predeterminada.

2. Confirma que se ha creado el conjunto de datos:

   bq ls

API

Llama al método datasets.insert con un recurso de conjunto de datos definido.

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

BigQuery DataFrames

Antes de probar este ejemplo, sigue las instrucciones de configuración de BigQuery DataFrames que se indican en la guía de inicio rápido de BigQuery con BigQuery DataFrames. Para obtener más información, consulta la documentación de referencia de los DataFrames de BigQuery.

Para autenticarte en BigQuery, configura las credenciales predeterminadas de la aplicación. Para obtener más información, consulta Configurar ADC en un entorno de desarrollo local.

import google.cloud.bigquery

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

Importar el modelo ONNX a BigQuery

En los pasos siguientes se muestra cómo importar el modelo ONNX de ejemplo de Cloud Storage a su conjunto de datos mediante una instrucción CREATE MODEL.

Consola

1. En la Google Cloud consola, ve a la página BigQuery Studio.

   Ir a BigQuery Studio

2. En el editor de consultas, introduce la siguiente instrucción CREATE MODEL.

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

   Sustituye BUCKET_PATH por la ruta al modelo que has subido a Cloud Storage. Si utilizas el modelo de ejemplo, sustituye BUCKET_PATH por el siguiente valor: gs://cloud-samples-data/bigquery/ml/onnx/resnet18.onnx.

   Cuando la operación se haya completado, verás un mensaje similar al siguiente: Successfully created model named imported_onnx_model.

   El nuevo modelo aparecerá en el panel Recursos. Los modelos se indican con el icono de modelo: Si selecciona el nuevo modelo en el panel Recursos, aparecerá información sobre el modelo junto al editor de consultas.

   

bq

1. Importa el modelo ONNX de Cloud Storage introduciendo la siguiente instrucción CREATE MODEL.

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

   Sustituye BUCKET_PATH por la ruta al modelo que has subido a Cloud Storage. Si usas el modelo de ejemplo, sustituye BUCKET_PATH por este valor: gs://cloud-samples-data/bigquery/ml/onnx/resnet18.onnx.

2. Después de importar el modelo, comprueba que aparece en el conjunto de datos.

   bq ls bqml_tutorial

   El resultado debería ser similar al siguiente:

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

Para obtener más información sobre cómo importar modelos ONNX a BigQuery, incluidos los requisitos de formato y almacenamiento, consulta la sentencia CREATE MODEL para importar modelos ONNX.

Crear una tabla de objetos en BigQuery para analizar datos de imágenes

Una tabla de objetos es una tabla de solo lectura sobre objetos de datos no estructurados que residen en Cloud Storage. Las tablas de objetos te permiten analizar datos no estructurados de BigQuery.

En este tutorial, usarás la función ML.PREDICT para obtener la etiqueta de clase predicha de una imagen de entrada almacenada en un segmento de Cloud Storage.

Para crear la tabla de objetos, debes hacer lo siguiente:

• Crea un segmento de Cloud Storage y sube una imagen de un pez de colores.
• Crea una conexión de recursos de Cloud que se use para acceder a la tabla de objetos.
• Concede acceso a la cuenta de servicio de la conexión de recursos.

Crear un contenedor y subir una imagen

Sigue estos pasos para crear un segmento de Cloud Storage y subir una imagen de un pez de colores.

Consola

Nota: Cuando creas un segmento mediante la Google Cloud consola, solo tienes que asignarle un nombre único a nivel global. El resto de los pasos son opcionales o tienen ajustes predeterminados.

1. En la Google Cloud consola, ve a la página Segmentos de Cloud Storage.
   

   Ir a Contenedores

2. Haz clic en Crear.

3. En la página Crear un segmento, introduce la información del segmento.

   1. En la sección Empezar, haz lo siguiente:

      1. En el cuadro, escribe bqml_images.

      2. Haz clic en Continuar.

   2. En la sección Elige dónde quieres almacenar los datos, haz lo siguiente:

      1. En Tipo de ubicación, selecciona Multirregión.

      2. En el menú del tipo de ubicación, selecciona EE. UU. (varias regiones de Estados Unidos).

      3. Haz clic en Continuar.

   3. En la sección Elige una clase de almacenamiento para tus datos, haz lo siguiente:

      1. Selecciona Definir una clase predeterminada.

      2. Selecciona Estándar.

      3. Haz clic en Continuar.

   4. En las secciones restantes, deja los valores predeterminados.

4. Haz clic en Crear.

Línea de comandos

Introduce el siguiente comando gcloud storage buckets create:

gcloud storage buckets create gs://bqml_images --location=us

Si la solicitud se realiza correctamente, el comando devuelve el siguiente mensaje:

Creating gs://bqml_images/...

Subir una imagen a un segmento de Cloud Storage

Una vez creado el segmento, descarga una imagen de un pez de colores y súbela al segmento de Cloud Storage.

Sigue estos pasos para subir la imagen:

Consola

1. En la Google Cloud consola, ve a la página Segmentos de Cloud Storage.
   

   Ir a Contenedores

2. En la lista de contenedores, haz clic en bqml_images.

3. En la pestaña Objetos del contenedor, haga una de las siguientes acciones:

   • Arrastra el archivo desde el escritorio o el gestor de archivos al panel principal de la Google Cloud consola.

   • Haz clic en Subir > Subir archivos, selecciona el archivo de imagen que quieras subir en el cuadro de diálogo que aparece y, a continuación, haz clic en Abrir.

Línea de comandos

Introduce el siguiente comando gcloud storage cp:

gcloud storage cp OBJECT_LOCATION gs://bqml_images/IMAGE_NAME

Haz los cambios siguientes:

• OBJECT_LOCATION: la ruta local al archivo de imagen. Por ejemplo, Desktop/goldfish.jpg.
• IMAGE_NAME: el nombre de la imagen. Por ejemplo, goldfish.jpg.

Si la solicitud se realiza correctamente, la respuesta será similar a la siguiente:

Completed files 1/1 | 164.3kiB/164.3kiB

Crear una conexión de recursos de Cloud de BigQuery

Debes tener una conexión de recursos de Cloud para conectarte a la tabla de objetos que crearás más adelante en este tutorial.

Las conexiones de recursos de Cloud te permiten consultar datos almacenados fuera de BigQuery en Google Cloud servicios como Cloud Storage o Spanner, o en fuentes de terceros como AWS o Azure. Estas conexiones externas usan la API Connection de BigQuery.

Sigue estos pasos para crear tu conexión de recursos de Cloud.

Consola

1. Ve a la página BigQuery Studio.

   Ir a BigQuery Studio

2. En el panel Explorador, haz clic en Añadir datos.

   Se abrirá el cuadro de diálogo Añadir datos.

3. En el panel Filtrar por, en la sección Tipo de fuente de datos, selecciona Bases de datos.

   También puede introducir Vertex AI en el campo Buscar fuentes de datos.

4. En la sección Fuentes de datos destacadas, haga clic en Vertex AI.

5. Haz clic en la tarjeta de solución Modelos de Vertex AI: federación de BigQuery.

6. En la lista Tipo de conexión, selecciona Modelos remotos de Vertex AI, funciones remotas y BigLake (recurso de Cloud).

7. En el campo ID de conexión, introduce bqml_tutorial.

8. Comprueba que esté seleccionada la opción Multirregión (EE. UU.).

9. Haga clic en Crear conexión.

10. En la parte inferior de la ventana, haz clic en Ir a la conexión. También puedes ir al panel Explorador, desplegar Conexiones externas y hacer clic en us.bqml_tutorial.

11. En el panel Información de la conexión, copia el ID de la cuenta de servicio. Necesitarás este ID cuando configures los permisos de la conexión. Cuando creas un recurso de conexión, BigQuery crea una cuenta de servicio del sistema única y la asocia a la conexión.

bq

1. Para crear una conexión, sigue estos pasos:

   bq mk --connection --location=US --project_id=PROJECT_ID \
       --connection_type=CLOUD_RESOURCE bqml_tutorial

   Sustituye PROJECT_ID por elGoogle Cloud ID de tu proyecto. El parámetro --project_id anula el proyecto predeterminado.

   Cuando creas un recurso de conexión, BigQuery crea una cuenta de servicio del sistema única y la asocia a la conexión.

   Solución de problemas: si aparece el siguiente error de conexión, actualiza el SDK de Google Cloud:

   Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
   

2. Obtén y copia el ID de la cuenta de servicio para usarlo en un paso posterior:

   bq show --connection PROJECT_ID.us.bqml_tutorial

   El resultado debería ser similar al siguiente:

   name                          properties
   1234.REGION.CONNECTION_ID {"serviceAccountId": "[e-mail]"}
   

Configurar el acceso a la conexión

Concede el rol Administrador de objetos de Storage a la cuenta de servicio de la conexión de recursos de Cloud. Debes conceder este rol en el mismo proyecto en el que has creado el endpoint del modelo remoto.

Nota: Si la conexión está en otro proyecto, se devuelve este error: [e-mail] does not have the permission to access resource.

Para conceder el rol, sigue estos pasos:

1. Ve a la página IAM y administración.

   Ir a IAM y administración

2. Haz clic en Conceder acceso.

3. En el campo Nuevos principales, introduce el ID de cuenta de servicio de la conexión de recursos de Cloud que has copiado anteriormente.

4. En el campo Selecciona un rol, elige Cloud Storage y, a continuación, Administrador de objetos de Storage.

5. Haz clic en Guardar.

Crear la tabla de objetos

Sigue estos pasos para crear una tabla de objetos llamada goldfish_image_table con la imagen del pez de colores que has subido a Cloud Storage.

Consola

1. Ve a la página BigQuery Studio.

   Ir a BigQuery Studio

2. En el editor de consultas, introduce esta consulta para crear la tabla de objetos.

   CREATE EXTERNAL TABLE `bqml_tutorial.goldfish_image_table`
   WITH CONNECTION `us.bqml_tutorial`
   OPTIONS(
   object_metadata = 'SIMPLE',
   uris = ['gs://bqml_images/IMAGE_NAME'],
   max_staleness = INTERVAL 1 DAY,
   metadata_cache_mode = 'AUTOMATIC');

   Sustituye IMAGE_NAME por el nombre del archivo de imagen; por ejemplo, goldfish.jpg.

   Cuando la operación se haya completado, verás un mensaje como This statement created a new table named goldfish_image_table.

bq

1. Crea la tabla de objetos introduciendo la siguiente instrucción CREATE EXTERNAL TABLE.

   bq query --use_legacy_sql=false \
   "CREATE EXTERNAL TABLE `bqml_tutorial.goldfish_image_table`
   WITH CONNECTION `us.bqml_tutorial`
   OPTIONS(
   object_metadata = 'SIMPLE',
   uris = ['gs://bqml_images/IMAGE_NAME'],
   max_staleness = INTERVAL 1 DAY,
   metadata_cache_mode = 'AUTOMATIC')"

   Sustituye IMAGE_NAME por el nombre del archivo de imagen; por ejemplo, goldfish.jpg.

2. Después de crear la tabla de objetos, comprueba que aparece en el conjunto de datos.

   bq ls bqml_tutorial

   El resultado debería ser similar al siguiente:

   tableId               Type
   --------------------- --------
   goldfish_image_table  EXTERNAL

Para obtener más información, consulta Crear tablas de objetos.

Hacer predicciones con el modelo ONNX importado

Importante: Debes tener una reserva para ejecutar predicciones con modelos y tablas de objetos importados. Para obtener más información, consulta las limitaciones de los modelos ONNX importados.

Si no tienes ninguna reserva, al ejecutar una consulta con ML.PREDICT se produce este error: BigQuery ML inference using imported models and object tables requires a reservation, but no reservations were assigned for job type `QUERY`...`.

Usa la siguiente consulta, que contiene la función ML.PREDICT, para hacer predicciones a partir de los datos de imagen de la tabla de objetos de entrada goldfish_image_table. Esta consulta devuelve la etiqueta de clase predicha de la imagen de entrada en función del diccionario de etiquetas de ImageNet.

En la consulta, la función ML.DECODE_IMAGE es necesaria para decodificar los datos de la imagen de forma que ML.PREDICT pueda interpretarlos. Se llama a la función ML.RESIZE_IMAGE para cambiar el tamaño de la imagen de forma que se ajuste al tamaño de la entrada del modelo (224x224).

Para obtener más información sobre cómo ejecutar inferencias en tablas de objetos de imagen, consulta Ejecutar inferencias en tablas de objetos de imagen.

Para hacer predicciones a partir de los datos de imagen, sigue estos pasos.

Consola

1. Ve a la página BigQuery Studio.

   Ir a BigQuery Studio

2. En el editor de consultas, introduce la siguiente consulta ML.PREDICT.

    SELECT
      class_label
    FROM
      ML.PREDICT(MODEL bqml_tutorial.imported_onnx_model,
        (
        SELECT
          ML.RESIZE_IMAGE(ML.DECODE_IMAGE(DATA),
            224,
            224,
            FALSE) AS input
        FROM
          bqml_tutorial.goldfish_image_table))
    

   Los resultados de la consulta son similares a los siguientes:

   

bq

Introduce el siguiente comando bq query:

bq query --use_legacy_sql=false \
'SELECT
  class_label
FROM
  ML.PREDICT(MODEL `bqml_tutorial.imported_onnx_model`,
    (
    SELECT
      ML.RESIZE_IMAGE(ML.DECODE_IMAGE(DATA),
        224,
        224,
        FALSE) AS input
    FROM
      bqml_tutorial.goldfish_image_table))'

Limpieza

Para evitar que los recursos utilizados en este tutorial se cobren en tu cuenta de Google Cloud, elimina el proyecto que contiene los recursos o conserva el proyecto y elimina los recursos.

Eliminar el proyecto

Consola

Precaución: Eliminar un proyecto tiene los siguientes efectos:

• Se elimina todo el contenido del proyecto. Si has usado un proyecto que ya existía para las tareas de este documento, cuando lo elimines, también se eliminará cualquier otro trabajo que hayas realizado en él.
• Se pierden los IDs de proyecto personalizados. Cuando creaste este proyecto, es posible que hayas creado un ID de proyecto personalizado que quieras usar en el futuro. Para conservar las URLs que usan el ID del proyecto, como una URL appspot.com, elimina los recursos seleccionados dentro del proyecto en lugar de eliminar todo el proyecto.

Si tienes previsto consultar varias arquitecturas, tutoriales o guías de inicio rápido, reutilizar los proyectos puede ayudarte a no superar los límites de cuota de proyectos.

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.

gcloud

Precaución: Eliminar un proyecto tiene los siguientes efectos:

• Se elimina todo el contenido del proyecto. Si has usado un proyecto que ya existía para las tareas de este documento, cuando lo elimines, también se eliminará cualquier otro trabajo que hayas realizado en él.
• Se pierden los IDs de proyecto personalizados. Cuando creaste este proyecto, es posible que hayas creado un ID de proyecto personalizado que quieras usar en el futuro. Para conservar las URLs que usan el ID del proyecto, como una URL appspot.com, elimina los recursos seleccionados dentro del proyecto en lugar de eliminar todo el proyecto.

Si tienes previsto consultar varias arquitecturas, tutoriales o guías de inicio rápido, reutilizar los proyectos puede ayudarte a no superar los límites de cuota de proyectos.

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.

Eliminar recursos concretos

Si quieres eliminar los recursos utilizados en este tutorial, sigue estos pasos:

1. Elimina el modelo importado.

2. (Opcional) Elimine el conjunto de datos.

3. Elimina la conexión del recurso de Cloud.

4. Elimina el segmento de Cloud Storage.

Siguientes pasos

• Para obtener más información sobre cómo importar modelos ONNX, consulta la sección Instrucción CREATE MODEL para modelos ONNX.
• Para obtener más información sobre los convertidores y tutoriales de ONNX disponibles, consulte el artículo Convertir al formato ONNX.
• Para obtener una descripción general de BigQuery ML, consulta la introducción a BigQuery ML.
• Para empezar a usar BigQuery ML, consulta el artículo Crear modelos de aprendizaje automático en BigQuery ML.