TensorFlow¶

Snowflake ML モデルレジストリは、 TensorFlow（tensorflow.Module から派生したモデル）およびKeras v2モデル（Kerasバージョン< 3.0.0の keras.Model）を使用して作成されたモデルをサポートします。

注釈

Keras 3.0.0以降の場合は、 Keras ハンドラーを使用します。

以下の追加オプションは、 options ディクショナリで log_model を呼び出すときに使用できます。

オプション	説明
`target_methods`	モデルオブジェクトで利用可能なメソッドの名前のリスト。 TensorFlow モデルにはデフォルトのターゲットメソッドとして `__call__` があります。Keras v2モデルにはデフォルトのターゲットメソッドとして `predict` があります。
`cuda_version`	GPUを持つプラットフォームへの展開時に使用する CUDAランタイムのバージョン。デフォルトで11.8。手動で `None` に設定した場合、モデルは GPU を持つプラットフォームには展開できません。
`multiple_inputs`	モデルが複数のテンソル入力を期待するかどうか。デフォルトは `False` です。`True` の場合、モデルは単一のテンソルの代わりにテンソルのリストを入力として受け入れます。

TensorFlow モデルをログする場合は、 sample_input_data か signatures のどちらかのパラメーターを指定する必要があります。

注釈

Keras v2モデルは、ターゲットメソッドを1つだけ持つことができます。

注釈

Pandas DataFrames（デフォルトではfloat64を使用）を使用する場合、dtypeの不一致エラーを避けるために、 TensorFlow モデルで変数と tf.TensorSpec 入力署名に tf.float64 が使用されていることを確認してください。

例¶

これらの例では、 reg が snowflake.ml.registry.Registry のインスタンスであると想定しています。

TensorFlow モジュール¶

次の例は、 tf.Module をサブクラス化し、それをSnowflake ML モデルレジストリに記録し、推論を実行して TensorFlow モデルを作成する方法を示しています。

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)

Copy

Keras v2シーケンシャルモデル¶

次の例は、Keras v2シーケンシャルモデルをトレーニングし、それをSnowflake ML モデルレジストリに記録し、推論を実行する方法を示しています。

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")

Copy