通过

在 SQL Server 上安装预先训练的机器学习模型

  • 项目

适用于： SQL Server 2016 (13.x)、 SQL Server 2017 (14.x)、 SQL Server 2019 (15.x)

本文适用于 SQL Server 2016 (13.x)、SQL Server 2017 (14.x) 和 SQL Server 2019 (15.x)。

本文介绍如何使用 PowerShell 将用于情绪分析和图像特征化的免费预训练机器学习模型添加到具有 R 或 Python 集成的 SQL Server 实例。 预先训练的模型由 Microsoft 生成并且可供使用，作为安装后任务添加到实例中。 有关这些模型的详细信息，请参阅本文的资源部分。

从 SQL Server 2022 (16.x) 起，R、Python 和 Java 的运行时不再随 SQL 安装程序一起安装。 请改为安装所需的 R 和/或 Python 自定义运行时和包。 有关详细信息，请参阅在 Windows 上安装 SQL Server 2022 机器学习服务（Python 和 R）。

安装完成后，预先训练的模型将被视为一种实现细节，它支持 MicrosoftML (R) 和 MicrosoftML (Python) 库中的特定功能。 不应（并且不能）查看、自定义或重新定型模型，也不能在自定义代码或成对的其他函数中将它们视为独立的资源。

若要使用预先定型的模型，请调用下表中列出的函数。

R 函数 (MicrosoftML) Python 函数 (microsoftml) 使用情况
getSentiment get_sentiment 对文本输入生成正负情绪分数。
featurizeImage featurize_image 从图像文件输入中提取文本信息。

先决条件

机器学习算法是计算密集型的。 对于低等到中等的工作负荷，包括使用所有示例数据来完成教程演练，我们建议使用 16 GB RAM。

必须具有计算机和 SQL Server 的管理员权限，才能添加预先训练的模型。

必须启用外部脚本，并且必须运行 SQL Server LaunchPad 服务。 安装说明提供了启用和验证这些功能的步骤。

下载并安装你的 SQL Server 版本的最新累积更新。 请参阅 Microsoft SQL Server 的最新更新。

MicrosoftML R 包或 microsoftml Python 包包含预先训练的模型。

SQL Server 机器学习服务包含机器学习库的两种语言版本，因此无需执行任何其他操作即可满足此必备条件。 由于存在这些库，所以能使用本文中所述的 PowerShell 脚本将预先训练的模型添加到这些库。

MicrosoftML R 包包含预先训练的模型。

SQL Server R Services（仅 R）不包含现成的 MicrosoftML 包。 若要添加 MicrosoftML，必须执行组件升级。 组件升级的一个优点是可以同时添加预先训练的模型，所以无需运行 PowerShell 脚本。 不过如果已经升级，但第一次没有添加预先训练的模型，则可以按照本文所述的内容运行 PowerShell 脚本。 SQL Server 的两个版本都适用。 在执行此操作之前，请确认 MicrosoftML 库存在于 C:\Program Files\Microsoft SQL Server\MSSQL13.MSSQLSERVER\R_SERVICES\library。

检查是否安装了预先训练的模型

R 和 Python 模型的安装路径如下所示：

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

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

模型文件名位于以下列表中：

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

如果已安装这些模型，请跳到验证步骤以确认可用性。

下载安装脚本

请访问 https://aka.ms/mlm4sql 来下载文件 Install-MLModels.ps1。 在 GitHub 页上，选择“下载原始文件”。

使用提升的权限执行

  1. 启动 PowerShell。 在任务栏上，右键单击 PowerShell 程序图标，然后选择“以管理员身份运行” 。

  2. 安装期间建议的执行策略为“RemoteSigned”。 有关设置 PowerShell 执行策略的详细信息，请参阅 Set-ExecutionPolicy。 例如：

    Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

  3. 输入安装脚本文件的完全限定路径，并且包含实例名称。 这里假定为“下载”文件夹和默认实例，该命令可能如下所示：

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

输出

在连接 Internet 的 SQL Server 机器学习服务默认实例（带有 R 和 Python）上，应会看到类似于以下内容的消息。

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>

验证安装

首先，检查 mxlibs 文件夹中的新文件。 接下来，运行演示代码以确认模型已安装且正常工作。

R 验证步骤

  1. 启动 C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\R_SERVICES\bin\x64 处的 RGUI.EXE。

  2. 在命令提示符处粘贴以下 R 脚本。

    # 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. 按 Enter 查看情绪分数。 输出应如下所示：

    > 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 验证步骤

  1. 启动 C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\PYTHON_SERVICES 处的 Python.exe。

  2. 在命令提示符处粘贴以下 Python 脚本。

    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. 按 Enter 打印分数。 输出应如下所示：

    >>> 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
>>>

注意

如果演示脚本失败，请首先检查文件位置。 在具有多个 SQL Server 实例的系统上，或者对于与独立版本并行运行的实例，安装脚本可能会错误地读取环境，并将文件放在错误的位置。 一般情况下，手动将文件复制到正确的 mxlib 文件夹可以解决此问题。

使用预先训练的模型的示例

下面的链接包含调用预先训练的模型的示例代码。

研究和资源

目前可用的模型是用于情绪分析和图像分类的深度神经网络 (DNN) 模型。 所有预先训练的模型都通过 Microsoft 的计算网络工具包 (CNTK) 进行训练。

每个网络的配置都基于以下引用实现：

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

有关这些深度学习模型中使用的算法的详细信息，以及如何使用 CNTK 将其实现和定型的详细信息，请参阅以下文章：

相关内容