ONNX 형식의 scikit-learn 모델로 예측

개요

Open Neural Network Exchange(ONNX)는 어떤 머신러닝 프레임워크이든 나타내도록 설계된 균일한 형식을 제공합니다. ONNX에 대한 BigQuery ML 지원을 통해 다음을 수행할 수 있습니다.

• 원하는 프레임워크를 사용하여 모델을 학습시키기
• 모델을 ONNX 모델 형식으로 변환하기. 자세한 내용은 ONNX 형식으로 변환을 참조하세요.
• ONNX 모델을 BigQuery로 가져오고 BigQuery ML을 사용하여 예측하기

이 가이드에서는 scikit-learn으로 학습된 ONNX 모델을 BigQuery 데이터 세트로 가져와 이를 사용하여 SQL 쿼리에서 예측을 수행하는 방법을 보여줍니다. 다음 인터페이스를 사용하여 ONNX 모델을 가져올 수 있습니다.

• Google Cloud 콘솔
• bq 명령줄 도구의 bq query 명령어
• BigQuery API

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

목표

이 튜토리얼에서는 다음 단계를 진행합니다.

• scikit-learn으로 모델을 만들고 학습시킵니다.
• sklearn-onnx를 사용하여 모델을 ONNX 형식으로 변환합니다.
• ONNX 모델을 BigQuery로 가져와 예측을 수행합니다.

scikit-learn으로 분류 모델 학습

Iris 데이터 세트에서 scikit-learn 파이프라인을 만들고 학습시킵니다.

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)

참고: scikit-learn 파이프라인은 다른 라이브러리(경량 GBM 및 XGBoost 등)의 모델도 포함할 수 있도록 지원하며, sklearn-onnx을 사용해 이들을 ONNX로 변환할 수 있습니다. 자세한 내용은 파이프라인 변환 및 다른 라이브러리의 변환기 사용을 참조하세요.

모델을 ONNX 형식으로 변환하고 저장

sklearn-onnx를 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

ONNX 모델 파일을 저장할 Cloud Storage 버킷을 만들고, 저장된 ONNX 모델 파일을 Cloud Storage 버킷에 업로드합니다. 자세한 내용은 파일 시스템에서 객체 업로드를 참조하세요.

ONNX 모델을 BigQuery로 가져오기

이 단계에서는 ONNX 모델을 Cloud Storage 버킷에 업로드했다고 가정합니다. 예시 모델은 gs://cloud-samples-data/bigquery/ml/onnx/pipeline_rf.onnx에 저장됩니다.

콘솔

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery 페이지로 이동

2. 쿼리 편집기에서 다음과 같이 CREATE MODEL 문을 입력합니다.

    CREATE OR REPLACE MODEL `mydataset.mymodel`
     OPTIONS (MODEL_TYPE='ONNX',
      MODEL_PATH='gs://bucket/path/to/onnx_model/*')
   

   예를 들면 다음과 같습니다.

    CREATE OR REPLACE MODEL `example_dataset.imported_onnx_model`
     OPTIONS (MODEL_TYPE='ONNX',
      MODEL_PATH='gs://cloud-samples-data/bigquery/ml/onnx/pipeline_rf.onnx')
   

   앞의 쿼리는 gs://cloud-samples-data/bigquery/ml/onnx/pipeline_rf.onnx에 위치한 ONNX 모델을 imported_onnx_model이라는 BigQuery 모델로 가져옵니다.

3. 새 모델이 리소스 패널에 표시됩니다. 프로젝트의 각 데이터 세트를 확장하면 모델이 데이터 세트의 다른 BigQuery 리소스와 함께 나열됩니다. 모델은 모델 아이콘()으로 표시됩니다.

4. 리소스 패널에서 새 모델을 선택하면 모델에 대한 정보가 쿼리 편집기 아래에 표시됩니다.

   

bq

Cloud Storage에서 ONNX 모델을 가져오려면 다음과 같은 명령어를 입력하여 일괄 쿼리를 실행합니다.

bq query \
--use_legacy_sql=false \
"CREATE MODEL
  `mydataset.mymodel`
OPTIONS
  (MODEL_TYPE='ONNX',
   MODEL_PATH='gs://bucket/path/to/onnx_model/*')"

예를 들면 다음과 같습니다.

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/pipeline_rf.onnx')"

모델을 가져오면 bq ls [dataset_name]의 출력에 모델이 나타납니다.

$ bq ls example_dataset

       tableId          Type    Labels   Time Partitioning
 --------------------- ------- -------- -------------------
  imported_onnx_model   MODEL

API

새 작업을 삽입하고 jobs#configuration.query 속성을 다음 요청 본문과 같이 입력합니다.

{
  "query": "CREATE MODEL project_id:mydataset.mymodel OPTIONS(MODEL_TYPE='ONNX' MODEL_PATH='gs://bucket/path/to/onnx_model/*')"
}

가져온 ONNX 모델로 예측

콘솔

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery 페이지로 이동

2. 쿼리 편집기에서 다음과 같이 ML.PREDICT를 사용하여 쿼리를 입력합니다.

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

   앞의 쿼리는 현재 프로젝트의 데이터 세트 example_dataset에 있는 imported_onnx_model 모델을 사용하여 프로젝트 bigquery-public-data의 데이터 세트 ml_datasets에서 공개 테이블 iris의 입력 데이터를 사용하여 예측합니다. 이 경우 ONNX 모델에서는 4개의 부동 입력(sepal_length, sepal_width, petal_length, petal_width)을 기대하는데, 이들은 2단계에서 정의된 initial_types과 일치하므로 서브 쿼리는 이 4개의 입력 열이 포함된 bigquery-public-data 테이블 전체를 SELECT합니다.

   이 모델은 입력 테이블의 열뿐만 아니라 label 및 probabilities 열을 출력합니다.

   • label은 예측된 클래스 라벨을 나타냅니다.
   • probabilities는 각 클래스의 확률을 나타내는 확률 배열입니다.

   쿼리 결과는 다음과 비슷합니다.

   

bq

input_data 테이블의 입력 데이터로 예측하려면 가져온 ONNX 모델 my_model을 사용하여 다음과 같은 명령어를 입력합니다.

bq query \
--use_legacy_sql=false \
'SELECT *
 FROM ML.PREDICT(
   MODEL `my_project.my_dataset.my_model`,
   (SELECT * FROM input_data))'

예를 들면 다음과 같습니다.

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

API

새 작업을 삽입하고 jobs#configuration.query 속성을 다음 요청 본문과 같이 입력합니다.

{
  "query": "SELECT * FROM ML.PREDICT(MODEL `my_project.my_dataset.my_model`, (SELECT * FROM input_data))"
}

다음 단계

• ONNX 모델 가져오기에 대한 자세한 내용은 ONNX 모델의 CREATE MODEL 문 참조하기
• 사용 가능한 ONNX 변환기 및 가이드에 대한 자세한 내용은 ONNX 형식으로 변환 참조하기
• BigQuery ML 개요는 BigQuery ML 소개를 참조하세요.
• BigQuery ML을 시작하려면 BigQuery ML에서 머신러닝 모델 만들기 참조하기
• 모델 작업에 대한 자세한 내용은 다음 리소스를 참조하기
  • 모델 메타데이터 가져오기
  • 모델 메타데이터 업데이트
  • 모델 관리
  • 모델 삭제