가져온 TensorFlow 모델로 예측 수행

개요

이 페이지에서는 BigQuery ML 데이터 세트로 TensorFlow 모델을 가져와서 이를 사용하여 SQL 쿼리에서 예측을 수행하는 방법을 보여줍니다. 다음 인터페이스를 사용하여 TensorFlow 모델을 가져올 수 있습니다.

  • Google Cloud 콘솔
  • bq 명령줄 도구의 bq query 명령어
  • BigQuery API

형식 및 스토리지 요구사항을 포함하여 TensorFlow 모델을 BigQuery ML로 가져오는 방법에 대한 자세한 내용은 TensorFlow 모델 가져오기에 사용되는 CREATE MODEL을 참조하세요.

TensorFlow 모델 가져오기

TensorFlow 모델을 데이터 세트로 가져오려면 다음 단계를 따르세요.

콘솔

  1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

    BigQuery 페이지로 이동

  2. 쿼리 편집기에서 다음과 같이 CREATE MODEL 문을 입력합니다.

     CREATE OR REPLACE MODEL `example_dataset.imported_tf_model`
      OPTIONS (MODEL_TYPE='TENSORFLOW',
       MODEL_PATH='gs://cloud-training-demos/txtclass/export/exporter/1549825580/*')
    

    위 쿼리는 gs://cloud-training-demos/txtclass/export/exporter/1549825580/*에 위치한 모델을 imported_tf_model이라는 BigQuery ML 모델로 가져옵니다. Cloud Storage URI는 와일드카드 문자(*)로 끝나므로 BigQuery ML은 이 모델과 연결된 모든 애셋도 가져옵니다. 가져온 모델은 지정된 문서 제목을 게시한 웹사이트를 예측하는 TensorFlow 텍스트 분류 기능 모델입니다.

  3. 새 모델이 리소스 패널에 표시됩니다. 프로젝트의 각 데이터 세트를 확장하면 모델이 데이터 세트의 다른 BigQuery 리소스와 함께 나열됩니다. 모델은 모델 아이콘(모델 아이콘)으로 표시됩니다.

  4. 리소스 패널에서 새 모델을 선택하면 모델에 대한 정보가 쿼리 편집기 아래에 표시됩니다.

    TensorFlow 모델 정보

bq

Cloud Storage에서 TensorFlow 모델을 가져오려면 다음과 같은 명령어를 입력하여 일괄 쿼리를 실행합니다.

bq query \
--use_legacy_sql=false \
"CREATE MODEL
  `mydataset.mymodel`
OPTIONS
  (MODEL_TYPE='TENSORFLOW',
   MODEL_PATH='gs://bucket/path/to/saved_model/*')"

예:

bq query --use_legacy_sql=false \
"CREATE OR REPLACE MODEL
  `example_dataset.imported_tf_model`
OPTIONS
  (MODEL_TYPE='TENSORFLOW',
    MODEL_PATH='gs://cloud-training-demos/txtclass/export/exporter/1549825580/*')"

모델을 가져오면 bq ls [dataset_name]의 출력에 모델이 나타납니다.

$ bq ls example_dataset

       tableId        Type    Labels   Time Partitioning
 ------------------- ------- -------- -------------------
  imported_tf_model   MODEL

API

새 작업을 삽입하고 jobs#configuration.query 속성을 다음 요청 본문과 같이 입력합니다.

{
  "query": "CREATE MODEL `project_id:mydataset.mymodel` OPTIONS(MODEL_TYPE='TENSORFLOW' MODEL_PATH='gs://bucket/path/to/saved_model/*')"
}

BigQuery DataFrames

이 샘플을 사용해 보기 전에 BigQuery DataFrames를 사용하여 BigQuery 빠른 시작의 BigQuery DataFrames 설정 안내를 따르세요. 자세한 내용은 BigQuery DataFrames 참고 문서를 확인하세요.

BigQuery에 인증하려면 애플리케이션 기본 사용자 인증 정보를 설정합니다. 자세한 내용은 로컬 개발 환경의 인증 설정을 참조하세요.

TensorFlowModel 객체를 사용하여 모델을 가져옵니다.

import bigframes
from bigframes.ml.imported import TensorFlowModel

bigframes.options.bigquery.project = PROJECT_ID
# You can change the location to one of the valid locations: https://cloud.google.com/bigquery/docs/locations#supported_locations
bigframes.options.bigquery.location = "US"

imported_tensorflow_model = TensorFlowModel(
    model_path="gs://cloud-training-demos/txtclass/export/exporter/1549825580/*"
)

가져온 TensorFlow 모델로 예측 수행

가져온 TensorFlow 모델로 예측을 수행하려면 다음 단계를 따르세요. 다음 예시에서는 앞의 예시에서처럼 TensorFlow 모델을 가져왔다고 가정합니다.

콘솔

  1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

    BigQuery 페이지로 이동

  2. 쿼리 편집기에서 다음과 같이 ML.PREDICT를 사용하여 쿼리를 입력합니다.

     SELECT *
       FROM ML.PREDICT(MODEL example_dataset.imported_tf_model,
         (
          SELECT title AS input
          FROM bigquery-public-data.hacker_news.full
         )
     )
     

    앞의 쿼리는 현재 프로젝트의 데이터 세트 example_dataset에 있는 imported_tf_model 모델을 사용하여 프로젝트 bigquery-public-data의 데이터 세트 hacker_news에서 공개 테이블 full의 입력 데이터를 사용하여 예측합니다. 이 경우 TensorFlow 모델의 serving_input_fn 함수는 모델이 input이라는 단일 입력 문자열을 예상하도록 지정하므로 서브 쿼리는 서브 쿼리 SELECT 문의 열에 별칭 input을 할당합니다.

    이 쿼리는 다음과 같은 결과를 출력합니다. 이 예시에서 모델은 dense_1 열을 출력합니다. 이 열에는 확률 값의 배열뿐만 아니라 입력 테이블의 해당 문자열 값이 포함된 input 열이 포함됩니다. 각 배열 요소 값은 해당 입력 문자열이 특정 게시의 문서 제목일 가능성을 나타냅니다.

    쿼리 결과

bq

input_data 테이블의 입력 데이터로 예측하려면 가져온 TensorFlow 모델 my_model을 사용하여 다음과 같은 명령어를 입력합니다.

bq query \
--use_legacy_sql=false \
'SELECT *
 FROM ML.PREDICT(
   MODEL `my_project.my_dataset.my_model`,
   (SELECT * FROM input_data))'

예:

bq query \
--use_legacy_sql=false \
'SELECT *
FROM ML.PREDICT(
  MODEL `tensorflow_sample.imported_tf_model`,
  (SELECT title AS input FROM `bigquery-public-data.hacker_news.full`))'

이 예시는 다음과 같은 결과를 반환합니다.

    +------------------------------------------------------------------------+----------------------------------------------------------------------------------+
    |                               dense_1                                  |                                       input                                      |
    +------------------------------------------------------------------------+----------------------------------------------------------------------------------+
    |   ["0.6251608729362488","0.2989124357700348","0.07592673599720001"]    | How Red Hat Decides Which Open Source Companies t...                             |
    |   ["0.014276246540248394","0.972910463809967","0.01281337533146143"]   | Ask HN: Toronto/GTA mastermind around side income for big corp. dev?             |
    |   ["0.9821603298187256","1.8601855117594823E-5","0.01782100833952427"] | Ask HN: What are good resources on strategy and decision making for your career? |
    |   ["0.8611106276512146","0.06648492068052292","0.07240450382232666"]   | Forget about promises, use harvests                                              |
    +------------------------------------------------------------------------+----------------------------------------------------------------------------------+

API

새 작업을 삽입하고 jobs#configuration.query 속성을 다음 요청 본문과 같이 입력합니다.

{
  "query": "SELECT * FROM ML.PREDICT(MODEL `my_project.my_dataset.my_model`, (SELECT * FROM input_data))"
}

BigQuery DataFrames

이 샘플을 사용해 보기 전에 BigQuery DataFrames를 사용하여 BigQuery 빠른 시작의 BigQuery DataFrames 설정 안내를 따르세요. 자세한 내용은 BigQuery DataFrames 참고 문서를 확인하세요.

BigQuery에 인증하려면 애플리케이션 기본 사용자 인증 정보를 설정합니다. 자세한 내용은 로컬 개발 환경의 인증 설정을 참조하세요.

predict 함수를 사용하여 원격 모델을 실행합니다.

import bigframes.pandas as bpd

df = bpd.read_gbq("bigquery-public-data.hacker_news.full")
df_pred = df.rename(columns={"title": "input"})
predictions = imported_tensorflow_model.predict(df_pred)
predictions.head(5)

결과는 다음과 비슷합니다. Result_visualization

다음 단계