Python APIs für Snowflake ML¶

Installation über den Snowflake-conda-Kanal¶

1. Erstellen Sie die Conda-Umgebung, in der Sie Snowpark ML installieren werden: Wenn Sie es vorziehen, eine bestehende Umgebung zu verwenden, überspringen Sie diesen Schritt.

   conda create --name snowpark-ml
   

   Copy

2. Aktivieren Sie die Conda-Umgebung:

   conda activate snowpark-ml
   

   Copy

3. Installieren Sie snowflake-ml-python aus dem Snowflake-conda-Kanal:

   conda install --override-channels --channel https://repo.anaconda.com/pkgs/snowflake/ snowflake-ml-python
   

   Copy

Installieren von PyPI¶

Sie können snowflake-ml-python aus dem Python Package Index (PyPI) mithilfe des Standard-Python-Paketmanagers pip installieren.

1. Wechseln Sie in Ihr Projektverzeichnis, und aktivieren Sie Ihre virtuelle Python-Umgebung:

   cd ~/projects/ml
   source .venv/bin/activate
   

   Copy

2. Installieren Sie das snowflake-ml-python-Paket:

   python -m pip install snowflake-ml-python
   

   Copy

Installieren von optionalen Modellierungsabhängigkeiten¶

Einige Modeling-APIs erfordern Abhängigkeiten, die nicht als Abhängigkeiten von snowflake-ml-python installiert sind. Die Pakete scikit-learn und xgboost werden standardmäßig installiert, aber lightgbm ist eine optionale Abhängigkeit. Wenn Sie Klassen im snowflake.ml.modeling.lightgbm-Namespace verwenden möchten, müssen Sie lightgbm selbst installieren.

Verwenden Sie die folgenden Befehle, um Ihre conda-Umgebung zu aktivieren und lightgbm aus dem Snowflake-Conda-Kanal zu installieren.

conda activate snowpark-ml
conda install --override-channels --channel https://repo.anaconda.com/pkgs/snowflake/ lightgbm

Verwenden Sie die folgenden Befehle, um Ihre virtuelle Umgebung zu aktivieren und lightgbm mit pip zu installieren.

.venv/bin/activate
python -m pip install 'snowflake-ml-python[lightgbm]'

Snowflake kann von Zeit zu Zeit zusätzliche optionale Abhängigkeiten hinzufügen. So installieren Sie alle optionalen Abhängigkeiten mit pip:

.venv/bin/activate
python -m pip install 'snowflake-ml-python[all]'

Einrichten von Snowpark Python¶

Snowpark Python ist eine Abhängigkeit von snowflake-ml-python und wird automatisch mit diesem installiert. Wenn Snowpark Python nicht bereits auf Ihrem System eingerichtet ist, müssen Sie möglicherweise zusätzliche Konfigurationsschritte durchführen. Unter Einrichten Ihrer Entwicklungsumgebung für Snowpark Python finden Sie eine Anleitung zum Einrichten von Snowpark Python.

Angeben eines Warehouses¶

Viele Funktionen von Snowflake ML, z. B. das Training von Modellen oder die Inferenz, führen Code in einem Snowflake-Warehouse aus. Diese Operationen werden in dem Warehouse ausgeführt, das von der Sitzung vorgegeben wird, die Sie für die Verbindung verwenden. Wenn Sie beispielsweise eine Sitzung aus einer benannten Verbindung Ihrer SnowSQL-Konfigurationsdatei erstellen, können Sie ein Warehouse mit dem Parameter warehousename in der benannten Konfiguration angeben.

Sie können die Warehouse-Einstellung beim Erstellen des Session-Objekts hinzufügen, wie hier gezeigt, wenn es noch nicht in der Konfiguration vorhanden ist.

from snowflake.snowpark import Session
from snowflake.ml.utils import connection_params
# Get named connection from SnowQSL configuration file
params = connection_params.SnowflakeLoginOptions("myaccount")
# Add warehouse name for model method calls if it's not already present
if "warehouse" not in params:
    params["warehouse"] = "mlwarehouse"
sp_session = Session.builder.configs(params).create()

Wenn in der Sitzung kein Warehouse angegeben ist oder wenn Sie ein anderes Warehouse verwenden möchten, rufen Sie die use_warehouse-Methode der Sitzung auf, um ein Warehouse anzugeben.

sp_session.use_warehouse("mlwarehouse")