L'inferenza ONNX su Spark

ONNX (Open Neural Network Exchange) offre un runtime portatile ottimizzato per l'hardware per i modelli di Machine Learning. Convertendo un modello in formato ONNX, è possibile eseguire l'inferenza batch in Spark con una latenza inferiore e senza dipendere dal framework di training originale in fase di stima.

In questo articolo si esegue il training di un modello LightGBM con SynapseML, lo si converte in formato ONNX e quindi si usa il modello ONNX per eseguire l'inferenza in Spark in Microsoft Fabric.

Prerequisiti

• Abbonati a Microsoft Fabric. Oppure, registrati per una versione di prova gratuita di Microsoft Fabric.

• Accedi a Microsoft Fabric.

• Passare a Fabric usando il selettore di esperienza nell'angolo in basso a sinistra della home page.

  

• Collega il tuo notebook a un lakehouse. Sul lato sinistro del notebook selezionare Aggiungi per aggiungere una lakehouse esistente o crearne una.
• Fabric Runtime 1.2 o versione successiva.

Installare i pacchetti necessari

Eseguire la cella seguente nel notebook per installare i pacchetti necessari. Il pacchetto onnxmltools non è preinstallato nel runtime di Fabric.

%pip install onnxmltools --quiet

Al termine dell'installazione, verificare che i pacchetti siano disponibili:

import onnxmltools
import lightgbm
print(f"onnxmltools version: {onnxmltools.__version__}")
print(f"lightgbm version: {lightgbm.__version__}")

Caricare i dati di esempio

Caricare il set di dati di stima del fallimento dal Archiviazione BLOB di Azure pubblico:

df = (
    spark.read.format("csv")
    .option("header", True)
    .option("inferSchema", True)
    .load(
        "wasbs://publicwasb@mmlspark.blob.core.windows.net/company_bankruptcy_prediction_data.csv"
    )
)

print(f"Rows: {df.count()}, Columns: {len(df.columns)}")
display(df.limit(5))

La tabella visualizzata include colonne come:

Addestrare un modello LightGBM

Usare VectorAssembler per combinare le colonne delle caratteristiche, quindi addestrare un LightGBMClassifier:

from pyspark.ml.feature import VectorAssembler
from synapse.ml.lightgbm import LightGBMClassifier

feature_cols = df.columns[1:]
featurizer = VectorAssembler(inputCols=feature_cols, outputCol="features")

train_data = featurizer.transform(df)["Bankrupt?", "features"]

model = (
    LightGBMClassifier(featuresCol="features", labelCol="Bankrupt?")
    .setDataTransferMode("bulk")
    .setEarlyStoppingRound(300)
    .setLambdaL1(0.5)
    .setNumIterations(1000)
    .setNumThreads(-1)
    .setMaxDeltaStep(0.5)
    .setNumLeaves(31)
    .setMaxDepth(-1)
    .setBaggingFraction(0.7)
    .setFeatureFraction(0.7)
    .setBaggingFreq(2)
    .setObjective("binary")
    .setIsUnbalance(True)
    .setMinSumHessianInLeaf(20)
    .setMinGainToSplit(0.01)
)

model = model.fit(train_data)

Verificare che il modello sia stato sottoposto a training correttamente:

print(f"Model type: {type(model).__name__}")
print(f"Number of features: {len(feature_cols)}")

Convertire il modello in formato ONNX

Esportare il modello sottoposto a training in un booster LightGBM, quindi convertirlo in ONNX:

import lightgbm as lgb
from typing import Union
from lightgbm import Booster, LGBMClassifier
from onnxmltools.convert import convert_lightgbm
from onnxmltools.convert.common.data_types import FloatTensorType


def convert_to_onnx(lgbm_model: Union[LGBMClassifier, Booster], input_size: int) -> bytes:
    initial_types = [("input", FloatTensorType([-1, input_size]))]
    onnx_model = convert_lightgbm(
        lgbm_model, initial_types=initial_types, target_opset=13
    )
    return onnx_model.SerializeToString()


booster_model_str = model.getLightGBMBooster().modelStr().get()
booster = lgb.Booster(model_str=booster_model_str)
model_payload_ml = convert_to_onnx(booster, len(feature_cols))

Verificare che la conversione ONNX sia riuscita:

print(f"ONNX model payload size: {len(model_payload_ml)} bytes")
assert len(model_payload_ml) > 0, "ONNX conversion failed: empty payload"

L'output mostra le dimensioni del payload del modello ONNX in byte (in genere circa 800.000 byte).

Caricare e configurare il modello ONNX

Caricare il payload ONNX in un synapseML ONNXModel ed esaminare gli input e gli output del modello:

from synapse.ml.onnx import ONNXModel

onnx_ml = ONNXModel().setModelPayload(model_payload_ml)

print("Model inputs:" + str(onnx_ml.getModelInputs()))
print("Model outputs:" + str(onnx_ml.getModelOutputs()))

L'output elenca i nodi di input e output del modello.

Configurare il modello eseguendo il mapping delle colonne di input e output. Il FeedDict associa i nomi di input del modello ONNX ai nomi delle colonne del DataFrame. Il FetchDict associa i nomi delle colonne di output desiderate ai nomi di output del modello ONNX:

onnx_ml = (
    onnx_ml.setDeviceType("CPU")
    .setFeedDict({"input": "features"})
    .setFetchDict({"probability": "probabilities", "prediction": "label"})
    .setMiniBatchSize(5000)
)

Eseguire l'inferenza

Creare dati di test e trasformarli tramite il modello ONNX:

from pyspark.ml.feature import VectorAssembler
import pandas as pd
import numpy as np

n = 10000
m = 95
test = np.random.rand(n, m)
testPdf = pd.DataFrame(test)
cols = list(map(str, testPdf.columns))
testDf = spark.createDataFrame(testPdf)
testDf = testDf.repartition(4)
testDf = (
    VectorAssembler()
    .setInputCols(cols)
    .setOutputCol("features")
    .transform(testDf)
    .drop(*cols)
    .cache()
)

display(onnx_ml.transform(testDf))

L'output deve contenere colonne per features, predictione probability:

Verificare i risultati generati dall'inferenza:

results = onnx_ml.transform(testDf)
print(f"Result count: {results.count()}")
print(f"Output columns: {results.columns}")
assert "prediction" in results.columns, "Missing prediction column"
assert "probability" in results.columns, "Missing probability column"

L'output conferma che tutte le righe di test hanno ricevuto un punteggio e che il DataFrame dei risultati contiene le colonne features, prediction e probability.

Risoluzione dei problemi

Pulire le risorse

Se il dataframe di test memorizzato nella cache non è più necessario, annullarlo per liberare memoria del cluster:

testDf.unpersist()

Contenuto correlato

• Come usare Kernel SHAP per spiegare un modello di classificazione tabulare
• Come usare SynapseML per il rilevamento delle anomalie multivariate
• Come creare un motore di ricerca con SynapseML