Spark での ONNX 推論

ONNX (Open Neural Network Exchange) は、機械学習モデル用の移植可能なハードウェア最適化ランタイムを提供します。 モデルを ONNX 形式に変換することで、予測時に元のトレーニング フレームワークに依存することなく、待機時間が短い Spark でバッチ推論を実行できます。

この記事では、SynapseML を使用して LightGBM モデルをトレーニングし、それを ONNX 形式に変換した後、ONNX モデルを使用して、Microsoft Fabricで Spark で推論を実行します。

[前提条件]

• Microsoft Fabric サブスクリプションを取得します。 または、無料の Microsoft Fabric 試用版にサインアップします。

• Microsoft Fabric にサインインします。

• ホーム ページの左下にあるエクスペリエンス スイッチャーを使用して Fabric に切り替えます。

  

• ノートブックをレイクハウスにアタッチします。 ノートブックの左側で、[ 追加 ] を選択して既存のレイクハウスを追加するか、作成します。
• Fabric Runtime 1.2 以降。

必要なパッケージをインストールする

ノートブックで次のセルを実行して、必要なパッケージをインストールします。 onnxmltools パッケージは、Fabric ランタイムにプレインストールされていません。

%pip install onnxmltools --quiet

インストールが完了したら、パッケージが使用可能であることを確認します。

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

サンプル データを読み込む

パブリック Azure Blob Storageから破産予測データセットを読み込みます。

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))

表示されるテーブルには、次のような列が含まれています。

LightGBM モデルをトレーニングする

VectorAssemblerを使用して特徴列を結合し、LightGBMClassifierをトレーニングします。

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)

正常にトレーニングされたモデルを確認します。

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

モデルを ONNX 形式に変換する

トレーニング済みのモデルを LightGBM ブースターにエクスポートし、ONNX に変換します。

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))

ONNX 変換が成功したことを確認します。

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

出力には、ONNX モデルのペイロード サイズがバイト単位で表示されます (通常は約 800,000 バイト)。

ONNX モデルを読み込んで構成する

ONNX ペイロードを SynapseML ONNXModel に読み込み、モデルの入力と出力を調べます。

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()))

出力には、モデルの入力ノードと出力ノードが一覧表示されます。

入力列と出力列をマッピングしてモデルを構成します。 FeedDictは、ONNX モデルの入力名を DataFrame 列名にマップします。 FetchDictは、必要な出力列名を ONNX モデルの出力名にマップします。

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

推論を実行する

テスト データを作成し、ONNX モデルを使用して変換します。

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))

出力には、 features、 prediction、および probabilityの列が含まれている必要があります。

推論によって生成された結果を確認します。

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"

出力は、すべてのテスト行がスコア付けされ、結果 DataFrame に features、 prediction、および probability 列が含まれていることを確認します。

Troubleshooting

リソースをクリーンアップする

キャッシュされたテスト DataFrame が不要になった場合は、クラスター メモリを解放するためにデータフレームの永続性を解除します。

testDf.unpersist()

関連コンテンツ

• Kernel SHAP を使用して表形式分類モデルを説明する方法
• SynapseML を使用して多変量異常検出を行う方法
• SynapseML を使用して検索エンジンを構築する方法