TensorFlow¶

Die Snowflake ML Model Registry unterstützt Modelle, die mit TensorFlow erstellt wurden (von tensorflow.Module abgeleitete Modelle) und Keras v2-Modelle (keras.Model mit Keras-Version < 3.0.0).

Bemerkung

Für Keras 3.0.0 oder höher verwenden Sie die Keras-Handler.

Die folgenden zusätzlichen Optionen können im options-Dictionary verwendet werden, wenn Sie log_model abrufen:


Option	Beschreibung
`target_methods`	Liste mit den Namen der für das Modellobjekt verfügbaren Methoden. TensorFlow-Modelle haben `__call__` als Standard-Zielmethode. Keras v2-Modelle haben `predict` als Standard-Zielmethode.
`cuda_version`	Die Version der CUDA-Laufzeitumgebung, die beim Bereitstellen auf einer Plattform mit GPU verwendet werden soll. Der Standardwert ist 11.8. Wird das Modell manuell auf `None` gesetzt, kann es nicht auf einer Plattform mit GPU eingesetzt werden.
`multiple_inputs`	Ob das Modell mehrere Tensor-Eingaben erwartet. Die Standardeinstellung ist `False`. Wann `True`, akzeptiert das Modell eine Liste von Tensoren als Eingabe anstelle eines einzelnen Tensors.

Sie müssen entweder den Parameter sample_input_data oder signatures angeben, wenn Sie ein TensorFlow-Modell protokollieren, damit die Registry die Signaturen der Zielmethoden kennt.

Bemerkung

Keras v2-Modelle können nur eine Zielmethode haben.

Bemerkung

Bei Verwendung von pandas DataFrames (die standardmäßig float64 verwenden) stellen Sie sicher, dass Ihr TensorFlow-Modell tf.float64 für Variablen und tf.TensorSpec-Eingabesignaturen verwendet, um dtype-Konfliktfehler zu vermeiden.

Beispiele¶

Diese Beispiele gehen davon aus, dass reg eine Instanz von snowflake.ml.registry.Registry ist.

TensorFlow-Modul¶

Das folgende Beispiel zeigt das Erstellen eines TensorFlow-Modells durch Unterklassen von tf.Module, Protokollieren in der Snowflake ML Model Registry und Ausführen von Ableitungen.

import tensorflow as tf
import pandas as pd

# Define a simple TensorFlow module
class LinearModel(tf.Module):
    def __init__(self, name=None):
        super().__init__(name=name)
        self.weight = tf.Variable(2.0, dtype=tf.float64, name="weight")
        self.bias = tf.Variable(1.0, dtype=tf.float64, name="bias")

    @tf.function(input_signature=[tf.TensorSpec(shape=(None, 1), dtype=tf.float64)])
    def __call__(self, x):
        return self.weight * x + self.bias

# Create model instance
model = LinearModel(name="linear_model")

# Create sample input data as DataFrame
sample_df = pd.DataFrame({"input": [1.0, 2.0, 3.0, 4.0, 5.0]})

# Log the model
model_ref = reg.log_model(
    model=model,
    model_name="my_tf_linear_model",
    version_name="v1",
    sample_input_data=sample_df,
)

# Make predictions (default target method is __call__)
test_df = pd.DataFrame({"input": [6.0, 7.0, 8.0]})
result_df = model_ref.run(test_df)

Sequenzielles Keras v2-Modell¶

Das folgende Beispiel zeigt das Training eines sequenziellen Keras v2-Modells und Protokollierung in der Snowflake ML Model Registry und Ausführen von Ableitungen.

import tf_keras as keras
from sklearn import datasets, model_selection

# Load dataset
iris = datasets.load_iris(as_frame=True)
X = iris.data
y = iris.target

# Rename columns for valid Snowflake identifiers
X.columns = [col.replace(' ', '_').replace('(', '').replace(')', '') for col in X.columns]

X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.2)

# Build Keras v2 model
model = keras.Sequential([
    keras.layers.Dense(64, activation='relu', input_shape=(X_train.shape[1],)),
    keras.layers.Dense(32, activation='relu'),
    keras.layers.Dense(3, activation='softmax')
])

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# Train the model
model.fit(X_train, y_train, epochs=50, verbose=0)

# Log the model
model_ref = reg.log_model(
    model=model,
    model_name="my_iris_classifier",
    version_name="v1",
    sample_input_data=X_test,
)

# Make predictions
result_df = model_ref.run(X_test[-10:], function_name="predict")