Angeben von Modellsignaturen¶

Um eine konsistente Benutzerumgebung sicherzustellen, egal wo ein Modell ausgeführt wird, muss die Snowflake Model Registry das Eingabe- und Ausgabeschema der Inferenzmethoden des Modells kennen, d. h. Namen und Typ aller Spalten im Eingabe- oder Ausgabe-DataFrame. Dadurch können diese Spalten bei Bedarf zwischen Python- und SQL-Datentypen zugeordnet werden. Dieses Schema wird in Analogie zu den Argumenten einer Funktion und deren Typen als Signatur bezeichnet.

Bei bestimmten ML-Frameworks kann die Modell-Registry diese Schemas entweder aus den Datenstrukturen im Modell selbst oder aus Beispieleingabedaten ableiten. Häufig akzeptieren Modelle jedoch Objekte oder geben diese zurück, denen diese Informationen fehlen, wie z. B. NumPy-Arrays. In diesen Fällen leitet Snowpark ML die Namen der Eingabe-Features ab: input_feature_1, input_feature_2 usw. Analog dazu heißen die Ausgabe-Features output_feature_1, output_feature_2 usw.

Um aussagekräftigere Namen in Ihren benutzerdefinierten Modellen zu verwenden, können Sie eine der folgenden Methoden verwenden:

• Aktualisieren Sie sample_input_data mit Spaltennamen, normalerweise durch Konvertierung des Datensatzes in ein pandas- oder Snowpark DataFrame.

• Übergeben Sie Signaturen explizit an log_model. Wenn ein Modell keine Namen in seiner Ausgabe erzeugt, sind explizite Signaturen möglicherweise die einzige Option.

import pandas as pd
from sklearn import svm, datasets

from snowflake.ml.model import model_signature

digits = datasets.load_digits()
target_digit = 6

def one_vs_all(dataset, digit):
    return [x == digit for x in dataset]

train_features = digits.data[:10]
train_labels = one_vs_all(digits.target[:10], target_digit)
clf = svm.SVC(gamma=0.001, C=10.0, probability=True)
clf.fit(train_features, train_labels)

sig = model_signature.infer_signature(
    train_features,
    labels_df,
    input_feature_names=['column1', 'column2', ...],
    output_feature_names=['is_target_digit'])

# Supply signature for every functions the model exposes. In this case only `predict`.
mv = reg.log_model(clf, model_name='my_model', version_name='v1', signatures={"predict": sig})

sig = ModelSignature(
    inputs=[
        FeatureSpec(dtype=DataType.DOUBLE, name=f_0),
        FeatureSpec(dtype=DataType.INT64,
                name=sparse_0_fixed_len, shape=(5, 5)),
                FeatureSpec(dtype=DataType.INT64, name=sparse_1_variable_len, shape=(-1,)),
    ],
    outputs=[
        FeatureSpec(dtype=DataType.FLOAT, name=output),
    ]
)