Előre betanított gépi tanulási modellek telepítése az SQL Serveren

A következőkre vonatkozik: SQL Server 2016 (13.x) SQL Server 2017 (14.x) SQL Server 2019 (15.x)

Ez a cikk az SQL Server 2016 -ra (13.x), az SQL Server 2017-re (14.x) és az SQL Server 2019-re (15.x) vonatkozik.

Ez a cikk bemutatja, hogyan adhat hozzá ingyenes, előre betanított gépi tanulási modelleket hangulatelemzéshez és képeturizáláshoz a PowerShell használatával egy R- vagy Python-integrációval rendelkező SQL Server-példányhoz. A Microsoft által készített előre betanított modellek azonnal használhatók, és telepítés utáni feladatként adhatók hozzá egy példányhoz. Ezekről a modellekről a cikk Erőforrások szakaszában talál további információt.

Az SQL Server 2022 -től (16.x) kezdődően az R, Python és Java futtatókörnyezetek már nincsenek telepítve az SQL-beállítással. Ehelyett telepítse a kívánt R- és/vagy Python-egyéni futtatókörnyezeteket és csomagokat. További információ: Az SQL Server 2022 Machine Learning Services (Python és R) telepítése Windowsrendszeren.

A telepítést követően az előre betanított modellek implementálási részleteknek minősülnek, amelyek a MicrosoftML (R) és a microsoftml (Python) könyvtárak adott funkcióit biztosítják. A modelleket nem tekintheti meg, nem szabhatja testre őket, vagy újrataníthatja, és nem kezelheti őket önálló erőforrásként saját kódban vagy más funkciókkal párosítva.

Az előre betanított modellek használatához hívja meg az alábbi táblázatban felsorolt függvényeket.

R függvény (MicrosoftML)	Python-függvény (microsoftml)	Usage
getSentiment	get_sentiment	Pozitív-negatív hangulatpontot hoz létre a szöveges bemenetek felett.
featurizeImage	featurize_image	A képfájl bemeneteiből kinyeri a szöveges információkat.

Prerequisites

A gépi tanulási algoritmusok számításigényesek. Javasoljuk, hogy 16 GB RAM-ot használjon az alacsony és közepes számítási feladatokhoz, beleértve az oktatóanyag útmutatóinak elvégzését az összes mintaadat használatával.

Az előre betanított modellek hozzáadásához rendszergazdai jogosultságokkal kell rendelkeznie a számítógépen és az SQL Serveren.

A külső szkripteket engedélyezni kell, és az SQL Server LaunchPad szolgáltatásnak futnia kell. A telepítési utasítások ismertetik a képességek engedélyezésének és ellenőrzésének lépéseit.

Töltse le és telepítse az SQL Server legújabb kumulatív frissítését. Tekintse meg a Microsoft SQL Server legújabb frissítéseit.

A MicrosoftML R-csomag vagy a microsoftml Python-csomag az előre betanított modelleket tartalmazza.

Az SQL Server Machine Learning Services a gépi tanulási kódtár mindkét nyelvi verzióját tartalmazza, ezért ezt az előfeltételt nem kell további műveletekkel teljesítenie. Mivel a kódtárak megtalálhatók, a cikkben ismertetett PowerShell-szkripttel hozzáadhatja az előre betanított modelleket ezekhez a tárakhoz.

Ellenőrizze, hogy telepítve vannak-e az előre betanított modellek

Az R- és Python-modellek telepítési útvonalai a következők:

• R esetén: C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\R_SERVICES\library\MicrosoftML\mxLibs\x64

• Python esetén: C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\PYTHON_SERVICES\Lib\site-packages\microsoftml\mxLibs

A modellfájlnevek a következő listában találhatók:

• AlexNet_Updated.model
• ImageNet1K_mean.xml
• pretrained.model
• ResNet_101_Updated.model
• ResNet_18_Updated.model
• ResNet_50_Updated.model

Ha a modellek már telepítve vannak, ugorjon az érvényesítési lépésre a rendelkezésre állás megerősítéséhez.

A telepítési szkript letöltése

Látogasson el https://aka.ms/mlm4sql a fájl Install-MLModels.ps1 letöltéséhez. A GitHub lapon válassza a Nyers fájl letöltése lehetőséget.

Végrehajtás emelt szintű jogosultságokkal

1. Indítsa el a PowerShellt. A tálcán kattintson a jobb gombbal a PowerShell-program ikonra, és válassza a Futtatás rendszergazdaként lehetőséget.

2. A telepítés során javasolt végrehajtási szabályzat a "RemoteSigned". A PowerShell végrehajtási szabályzatának beállításáról további információt a Set-ExecutionPolicy című témakörben talál. Például:

   Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
   

3. Adjon meg egy teljesen specifikált elérési utat a telepítési szkript fájlhoz, és adja meg a példány nevét. Feltételezve, hogy létezik a Letöltések mappa és egy alapértelmezett példány, a parancs a következőképpen nézhet ki:

   PS C:\WINDOWS\system32> C:\Users\<user-name>\Downloads\Install-MLModels.ps1 MSSQLSERVER
   

Output

Az R-vel és Pythonnal rendelkező, internethez csatlakoztatott SQL Server Machine Learning Services-példányon az alábbihoz hasonló üzeneteknek kell megjelennie.

MSSQL14.MSSQLSERVER
     Verifying R models [9.2.0.24]
     Downloading R models [C:\Users\<user-name>\AppData\Local\Temp]
     Installing R models [C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\R_SERVICES\]
     Verifying Python models [9.2.0.24]
     Installing Python models [C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\PYTHON_SERVICES\]
PS C:\WINDOWS\system32>

Telepítés ellenőrzése

Először ellenőrizze az új fájlokat az mxlibs mappában. Ezután futtassa a demókódot a modellek telepítésének és működésének ellenőrzéséhez.

R ellenőrzési lépések

1. Indítsa el RGUI.EXE a címen C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\R_SERVICES\bin\x64.

2. Illessze be a következő R-szkriptet a parancssorba.

   # Create the data
   CustomerReviews <- data.frame(Review = c(
   "I really did not like the taste of it",
   "It was surprisingly quite good!",
   "I will never ever ever go to that place again!!"),
   stringsAsFactors = FALSE)
   
   # Get the sentiment scores
   sentimentScores <- rxFeaturize(data = CustomerReviews, 
                                   mlTransforms = getSentiment(vars = list(SentimentScore = "Review")))
   
   # Let's translate the score to something more meaningful
   sentimentScores$PredictedRating <- ifelse(sentimentScores$SentimentScore > 0.6, 
                                           "AWESOMENESS", "BLAH")
   
   # Let's look at the results
   sentimentScores
   

3. Nyomja le az Enter billentyűt a hangulati pontszámok megtekintéséhez. A kimenetnek a következőnek kell lennie:

   > sentimentScores
                                           Review SentimentScore
   1           I really did not like the taste of it      0.4617899
   2                 It was surprisingly quite good!      0.9601924
   3 I will never ever ever go to that place again!!      0.3103435
   PredictedRating
   1            BLAH
   2     AWESOMENESS
   3            BLAH
   

Python-ellenőrzési lépések

1. Indítsa elPython.exe a címen C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\PYTHON_SERVICES.

2. Illessze be a következő Python-szkriptet a parancssorban.

   import numpy
   import pandas
   from microsoftml import rx_logistic_regression, rx_featurize, rx_predict, get_sentiment
   
   # Create the data
   customer_reviews = pandas.DataFrame(data=dict(review=[
               "I really did not like the taste of it",
               "It was surprisingly quite good!",
               "I will never ever ever go to that place again!!"]))
   
   # Get the sentiment scores
   sentiment_scores = rx_featurize(
       data=customer_reviews,
       ml_transforms=[get_sentiment(cols=dict(scores="review"))])
   
   # Let's translate the score to something more meaningful
   sentiment_scores["eval"] = sentiment_scores.scores.apply(
               lambda score: "AWESOMENESS" if score > 0.6 else "BLAH")
   print(sentiment_scores)
   

3. A pontszámok nyomtatásához nyomja le az Enter billentyűt. A kimenetnek a következőnek kell lennie:

   >>> print(sentiment_scores)
                                               review    scores         eval
   0            I really did not like the taste of it  0.461790         BLAH
   1                  It was surprisingly quite good!  0.960192  AWESOMENESS
   2  I will never ever ever go to that place again!!  0.310344         BLAH
   >>>
   

Note

Ha a bemutató szkriptjei sikertelenek, először ellenőrizze a fájl helyét. A több SQL Server-példányt tartalmazó rendszereken, illetve az önálló verziókkal egymás mellett futó példányok esetében előfordulhat, hogy a telepítési szkript helytelenül olvassa be a környezetet, és nem megfelelő helyre helyezi a fájlokat. Általában a fájloknak a megfelelő mxlib mappába történő manuális másolása megoldja a problémát.

Példák előre betanított modellek használatára

Az alábbi hivatkozás az előre betanított modelleket invokáló példakódot tartalmazza.

• Kódminta: Hangulatelemzés a Text Featurizer használatával

Kutatás és erőforrások

Jelenleg a rendelkezésre álló modellek mély neurális hálózati (DNN-) modellek hangulatelemzéshez és képbesoroláshoz. Az összes előre betanított modell betanítása a Microsoft Számítási hálózati eszközkészletével (CNTK) történik.

Az egyes hálózatok konfigurációja a következő referencia-implementációkon alapult:

• ResNet-18
• ResNet-50
• ResNet-101
• AlexNet

Az ezekben a mélytanulási modellekben használt algoritmusokról, valamint a CNTK használatával történő implementálásukról és betanításaikról az alábbi cikkekben talál további információt:

• A Microsoft kutatói algoritmusa új mérföldkövet állított fel az ImageNet kihívás során

• A Microsoft Computational Network Toolkit a leghatékonyabb elosztott mélytanulási számítási teljesítményt nyújtja

Kapcsolódó tartalom

• SQL Server Machine Learning-szolgáltatások
• R- és Python-összetevők frissítése SQL Server-példányokban
• MicrosoftML-csomag R-hez
• microsoftml-csomag Pythonhoz