APIs Python pour Snowflake ML¶

Installation du canal conda Snowflake¶

1. Créez l’environnement conda dans lequel vous installerez Snowpark ML : Si vous préférez utiliser un environnement existant, ignorez cette étape.

   conda create --name snowpark-ml
   

   Copy

2. Activez l’environnement conda :

   conda activate snowpark-ml
   

   Copy

3. Installez snowflake-ml-python à partir du canal conda Snowflake :

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

   Copy

Installation à partir de PyPI¶

Vous pouvez installer snowflake-ml-python à partir de l’index des paquets Python (PyPI) en utilisant le gestionnaire de paquets Python standard, pip.

1. Allez dans le répertoire de votre projet et activez votre environnement virtuel Python :

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

   Copy

2. Installez le paquet snowflake-ml-python :

   python -m pip install snowflake-ml-python
   

   Copy

Installation de dépendances de modélisation en option¶

Certaines APIs de modélisation nécessitent des dépendances qui ne sont pas installées comme des dépendances de snowflake-ml-python. Les paquets scikit-learn et xgboost sont installés par défaut, mais lightgbm est une dépendance en option. Si vous prévoyez d’utiliser des classes dans l’espace de noms snowflake.ml.modeling.lightgbm, installez vous-même lightgbm.

Utilisez les commandes suivantes pour activer votre environnement conda et installer lightgbm depuis le canal conda Snowflake.

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

Utilisez les commandes suivantes pour activer votre environnement virtuel et installer lightgbm à l’aide de pip.

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

Snowflake peut ajouter des dépendances en option supplémentaires de temps en temps. Pour installer toutes les dépendances en option à l’aide de pip :

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

Mise en place de Snowpark Python¶

Snowpark Python est une dépendance de snowflake-ml-python et est installé automatiquement avec. Si Snowpark Python n’est pas déjà installé sur votre système, il se peut que vous deviez effectuer des étapes de configuration supplémentaires. Voir Configuration de votre environnement de développement pour Snowpark Python pour les instructions d’installation de Snowpark Python.

Spécification d’un entrepôt.¶

Beaucoup de fonctionnalités de ML Snowflake, telles que l’entraînement ou l’inférence de modèles, exécutent du code dans un entrepôt Snowflake. Ces opérations sont exécutées dans l’entrepôt spécifié par la session que vous utilisez pour vous connecter. Par exemple, si vous créez une session à partir d’une connexion nommée dans votre fichier de configuration SnowSQL, vous pouvez spécifier un entrepôt en utilisant le paramètre warehousename dans la configuration nommée.

Vous pouvez ajouter le paramètre d’entrepôt lors de la création de l’objet Session comme indiqué ici, s’il n’existe pas déjà dans la configuration.

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()

Si aucun entrepôt n’est spécifié dans la session ou si vous souhaitez utiliser un autre entrepôt, appelez la méthode use_warehouse de la session pour spécifier un entrepôt.

sp_session.use_warehouse("mlwarehouse")