Especificação das assinaturas de modelo¶

Para garantir uma experiência consistente, não importa onde um modelo seja executado, o Registro de modelo Snowflake precisa saber o esquema de entrada e saída dos métodos de inferência do modelo: ou seja, o nome e o tipo de todas as colunas no DataFrame de entrada ou saída. Isso permite que essas colunas sejam mapeadas entre os tipos de dados Python e SQL quando necessário. Esse esquema é chamado de assinatura por analogia aos argumentos de uma função e seus tipos.

Com determinados frameworks de ML, o registro do modelo pode inferir esses esquemas, seja a partir de estruturas de dados no próprio modelo ou de dados de entrada de amostra. No entanto, os modelos geralmente aceitam ou retornam objetos que não possuem essas informações, como matrizes NumPy. Nestes casos, o Snowpark ML infere os nomes dos recursos de entrada como input_feature_1, input_feature_2, e assim por diante. Da mesma forma, os recursos de saída são nomeados output_feature_1, output_feature_2 e assim por diante.

Para usar nomes mais significativos em seus modelos personalizados, você pode usar um dos seguintes métodos:

• Atualize sample_input_data com nomes de colunas, geralmente convertendo o conjunto de dados em um pandas ou DataFrame Snowpark.

• Passe assinaturas explicitamente para log_model. Quando um modelo não produz nomes em sua saída, assinaturas explícitas podem ser a única opção.

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

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

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),
    ]
)