Angeben von Modellsignaturen¶

Ableiten einer Signatur¶

Wie die Modell-Registry selbst können Sie auch Signaturen automatisch erstellen. Verwenden Sie snowflake.ml.model.model_signature.infer_signature, um auf der Grundlage der bereitgestellten Beispieleingaben, Ausgaben und Spaltennamen eine Signatur abzuleiten und diese Signatur dann bei der Protokollierung des Modells auf die entsprechenden Methoden anzuwenden, wie im folgenden Beispiel:

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,
    train_labels,
    input_feature_names=['column1', 'column2', ...],
    output_feature_names=['is_target_digit'])

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

Dieses Beispiel wendet die Signatur nur auf eine Methode an, aber Sie können für jede Methode, die Ihr Modell anbietet, eine Signatur ableiten. Sie können dasselbe Signaturobjekt (im Beispiel sig) für alle Methoden verwenden, die dieselbe Signatur haben.

Erstellen einer Signatur¶

Sie können eine Signatur auch manuell erstellen, indem Sie snowflake.ml.model.model_signature.ModelSignature verwenden. Es werden sowohl Skalar- als auch Tensortypen (einschließlich Ragged-Tensoren) unterstützt.

Beispiel:

from snowflake.ml.model.model_signature import ModelSignature, FeatureSpec, DataType

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),
    ]
)

Übergeben Sie dann das Signaturobjekt sig an log_model mit dem Argument signatures wie im obigen Beispiel für die Methoden beschrieben, für die es gilt.

Angeben von Parametern mit ParamSpec¶

Zusätzlich zu den Eingabe- und Ausgabe-Features können Modellsignaturen Parameter enthalten. Parameter definieren optionale Konfigurationswerte, die Sie an Modell-Inferenzmethoden übergeben können, wenn Sie eine Inferenzanfrage stellen. Im Gegensatz zu Eingabe-Features, die die zu verarbeitenden Daten angeben, steuern Parameter das Inferenzverhalten, z. B. die Anzahl der zurückzugebenden Ergebnisse oder eine Temperatureinstellung.

Verwenden Sie ParamSpec von snowflake.ml.model.model_signature.ModelSignature, um einen Parameter zu definieren.

Jede ParamSpec erfordert einen Namen, einen Datentyp und einen Standardwert. Der Standardwert wird verwendet, wenn der Parameter zum Zeitpunkt der Inferenz nicht explizit angegeben wird.

from snowflake.ml.model.model_signature import ModelSignature, FeatureSpec, ParamSpec, DataType

sig = ModelSignature(
    inputs=[
        FeatureSpec(dtype=DataType.STRING, name="input_text"),
    ],
    outputs=[
        FeatureSpec(dtype=DataType.STRING, name="output_text"),
    ],
    params=[
        ParamSpec(name="temperature", dtype=DataType.DOUBLE, default_value=0.7),
        ParamSpec(name="max_tokens", dtype=DataType.INT32, default_value=256),
    ]
)

mv = reg.log_model(
    my_model,
    model_name='my_model',
    version_name='v1',
    signatures={"predict": sig}
)

from snowflake.ml.model.model_signature import ParamSpec, DataType
from snowflake.ml.model import model_signature

params = [
    ParamSpec(name="top_k", dtype=DataType.INT32, default_value=10),
    ParamSpec(name="threshold", dtype=DataType.DOUBLE, default_value=0.5),
]

sig = model_signature.infer_signature(
    input_data,
    output_data,
    params=params
)

Zuordnung von Datentypen¶

Dieser Abschnitt beschreibt die Äquivalenz von Typen in der Snowflake Model Registry für unterstützte Typsysteme.