Inferência ONNX no Spark

Neste exemplo, você treina um modelo LightGBM e converte o modelo para o formato ONNX . Depois de convertido, você usa o modelo para inferir alguns dados de teste no Spark.

Este exemplo usa os seguintes pacotes e versões do Python:

• onnxmltools==1.7.0
• lightgbm==3.2.1

Pré-requisitos

• Ligue o seu bloco de notas a uma casa no lago. No lado esquerdo, selecione Adicionar para adicionar uma casa de lago existente ou criar uma casa de lago.
• Talvez seja necessário instalar onnxmltools adicionando !pip install onnxmltools==1.7.0 uma célula de código e, em seguida, executando a célula.

Carregue os dados de exemplo

Para carregar os dados de exemplo, adicione os seguintes exemplos de código às células do seu bloco de notas e, em seguida, execute as células:

from pyspark.sql import SparkSession

# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()

from synapse.ml.core.platform import *

df = (
    spark.read.format("csv")
    .option("header", True)
    .option("inferSchema", True)
    .load(
        "wasbs://publicwasb@mmlspark.blob.core.windows.net/company_bankruptcy_prediction_data.csv"
    )
)

display(df)

A saída deve ser semelhante à tabela a seguir, embora os valores e o número de linhas possam diferir:

Use o LightGBM para treinar um modelo

from pyspark.ml.feature import VectorAssembler
from synapse.ml.lightgbm import LightGBMClassifier

feature_cols = df.columns[1:]
featurizer = VectorAssembler(inputCols=feature_cols, outputCol="features")

train_data = featurizer.transform(df)["Bankrupt?", "features"]

model = (
    LightGBMClassifier(featuresCol="features", labelCol="Bankrupt?", dataTransferMode="bulk")
    .setEarlyStoppingRound(300)
    .setLambdaL1(0.5)
    .setNumIterations(1000)
    .setNumThreads(-1)
    .setMaxDeltaStep(0.5)
    .setNumLeaves(31)
    .setMaxDepth(-1)
    .setBaggingFraction(0.7)
    .setFeatureFraction(0.7)
    .setBaggingFreq(2)
    .setObjective("binary")
    .setIsUnbalance(True)
    .setMinSumHessianInLeaf(20)
    .setMinGainToSplit(0.01)
)

model = model.fit(train_data)

Converter o modelo para o formato ONNX

O código a seguir exporta o modelo treinado para um booster LightGBM e, em seguida, converte-o para o formato ONNX:

import lightgbm as lgb
from lightgbm import Booster, LGBMClassifier


def convertModel(lgbm_model: LGBMClassifier or Booster, input_size: int) -> bytes:
    from onnxmltools.convert import convert_lightgbm
    from onnxconverter_common.data_types import FloatTensorType

    initial_types = [("input", FloatTensorType([-1, input_size]))]
    onnx_model = convert_lightgbm(
        lgbm_model, initial_types=initial_types, target_opset=9
    )
    return onnx_model.SerializeToString()


booster_model_str = model.getLightGBMBooster().modelStr().get()
booster = lgb.Booster(model_str=booster_model_str)
model_payload_ml = convertModel(booster, len(feature_cols))

Após a conversão, carregue a carga útil ONNX em um ONNXModel e inspecione as entradas e saídas do modelo:

from synapse.ml.onnx import ONNXModel

onnx_ml = ONNXModel().setModelPayload(model_payload_ml)

print("Model inputs:" + str(onnx_ml.getModelInputs()))
print("Model outputs:" + str(onnx_ml.getModelOutputs()))

Mapeie a entrada do modelo para o nome da coluna do dataframe de entrada (FeedDict) e mapeie os nomes das colunas do dataframe de saída para as saídas do modelo (FetchDict).

onnx_ml = (
    onnx_ml.setDeviceType("CPU")
    .setFeedDict({"input": "features"})
    .setFetchDict({"probability": "probabilities", "prediction": "label"})
    .setMiniBatchSize(5000)
)

Use o modelo para inferência

Para executar a inferência com o modelo, o código a seguir cria dados de teste e transforma os dados por meio do modelo ONNX.

from pyspark.ml.feature import VectorAssembler
import pandas as pd
import numpy as np

n = 1000 * 1000
m = 95
test = np.random.rand(n, m)
testPdf = pd.DataFrame(test)
cols = list(map(str, testPdf.columns))
testDf = spark.createDataFrame(testPdf)
testDf = testDf.union(testDf).repartition(200)
testDf = (
    VectorAssembler()
    .setInputCols(cols)
    .setOutputCol("features")
    .transform(testDf)
    .drop(*cols)
    .cache()
)

display(onnx_ml.transform(testDf))

A saída deve ser semelhante à tabela a seguir, embora os valores e o número de linhas possam diferir:

Conteúdos relacionados

• Como usar o Kernel SHAP para explicar um modelo de classificação tabular
• Como usar SynapseML para deteção de anomalias multivariadas
• Como construir um mecanismo de busca com SynapseML