Installieren von vortrainierten Machine Learning-Modellen unter SQL Server

Gilt für: SQL Server 2016 (13.x), SQL Server 2017 (14.x) und SQL Server 2019 (15.x)

Dieser Artikel gilt für SQL Server 2016 (13.x), SQL Server 2017 (14.x) und SQL Server 2019 (15.x).

In diesem Artikel wird erläutert, wie einer SQL Server-Instanz mit R- oder Python-Integration mithilfe von PowerShell kostenlose vorinstallierte Machine Learning-Modelle für Standpunktanalysen und Bildfeaturebereitstellungen hinzugefügt werden. Die vortrainierten Modelle werden von Microsoft erstellt und können einer Instanz im Rahmen einer Aufgabe nach der Installation hinzugefügt werden. Weitere Informationen zu diesen Modellen finden Sie im Abschnitt Ressourcen in diesem Artikel.

Ab SQL Server 2022 (16.x) werden Runtimes für R, Python und Java nicht mehr im Rahmen des SQL-Setups installiert. Installieren Sie stattdessen Ihre gewünschten benutzerdefinierten R- und/oder Python-Runtimes und -Pakete. Weitere Informationen finden Sie unter Installieren von SQL Server 2022 Machine Learning Services (Python und R) unter Windows.

Nach der Installation werden die vortrainierten Modelle als Implementierungsdetail betrachtet, das bestimmte Funktionen in den Bibliotheken MicrosoftML (R) und microsoftml (Python) unterstützt. Diese Modelle dürfen (und können) nicht angezeigt, angepasst oder erneut trainiert werden. Zudem können sie in benutzerdefiniertem Code oder gekoppelten anderen Funktionen auch nicht als unabhängige Ressource behandelt werden.

Wenn Sie die vortrainierten Modelle verwenden möchten, rufen Sie die in der folgenden Tabelle aufgeführten Funktionen auf.

R-Funktion (MicrosoftML)	Python-Funktion (microsoftml)	Verwendung
getSentiment	get_sentiment	Generiert positive/negative Stimmungsbewertungen für Texteingaben.
featurizeImage	featurize_image	Extrahiert Textinformationen aus Bilddateieingaben.

Voraussetzungen

Machine Learning-Algorithmen sind rechenintensiv. Für geringfügige bis mittlere Arbeitsauslastungen wie etwa für die Durchführung der exemplarischen Vorgehensweisen in den Tutorials mit Nutzung aller Beispieldaten werden 16 GB RAM empfohlen.

Wenn Sie vortrainierte Modelle hinzuzufügen möchten, müssen Sie über Administratorrechte auf dem Computer sowie für SQL Server verfügen.

Externe Skripts müssen aktiviert sein, und der SQL Server LaunchPad-Dienst muss ausgeführt werden. Die Schritte zum Aktivieren und Überprüfen dieser Funktionen sind in den Installationsanleitungen enthalten.

Laden Sie das neueste kumulative Update für Ihre Version von SQL Server herunter, und installieren Sie es. Entsprechende Informationen finden Sie unter Neueste Updates für Microsoft SQL Server.

Die vortrainierten Modelle sind im MicrosoftML R-Paket oder im microsoftml Python-Paket enthalten.

SQL Server Machine Learning Services enthält beide Sprachversionen der Machine Learning-Bibliothek. Diese Voraussetzung ist also erfüllt, ohne dass Sie weitere Maßnahmen ergreifen müssen. Da die Bibliotheken vorhanden sind, können Sie das in diesem Artikel beschriebene PowerShell-Skript verwenden, um diesen Bibliotheken die vortrainierten Modelle hinzuzufügen.

Überprüfen, ob vortrainierte Modelle installiert sind

Die Installationspfade für R- und Python-Modelle lauten wie folgt:

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

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

Die Modelldateinamen sind im Folgenden aufgeführt:

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

Wenn die Modelle bereits installiert sind, fahren Sie mit dem Überprüfungsschritt, um die Verfügbarkeit zu bestätigen.

Herunterladen des Installationsskripts

Unter https://aka.ms/mlm4sql können Sie die Datei Install-MLModels.ps1 herunterladen.

Ausführen mit erhöhten Rechten

1. Starten Sie PowerShell. Klicken Sie in der Taskleiste mit der rechten Maustaste auf das PowerShell-Programmsymbol, und wählen Sie Als Administrator ausführen aus.

2. Die empfohlene Ausführungsrichtlinie während der Installation ist „RemoteSigned“. Weitere Informationen zum Festlegen der PowerShell-Ausführungsrichtlinie finden Sie unter Set-ExecutionPolicy. Beispiel:

   Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
   

3. Geben Sie einen voll qualifizierten Pfad zur Installationsskriptdatei ein, und beziehen Sie dabei den Instanznamen ein. Wenn Sie den Ordner „Downloads“ und eine Standardinstanz angeben, sieht der Befehl beispielsweise wie folgt aus:

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

Ausgabe

Bei einer mit dem Internet verbundenen SQL Server Machine Learning Services-Standardinstanz mit R und Python werden Meldungen wie die folgenden angezeigt.

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>

Überprüfen der Installation

Prüfen Sie zunächst, ob die neuen Dateien im Ordner mxlibs vorhanden sind. Führen Sie anschließend Democode aus, um zu prüfen, ob die Modelle installiert und funktionsfähig sind.

R-Überprüfungsschritte

1. Starten Sie RGUI.EXE unter „C:\Programme\Microsoft SQL Server\MSSQL14.MSSQLSERVER\R_SERVICES\bin\x64“.

2. Fügen Sie das folgende R-Skript an der Eingabeaufforderung ein.

   # 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. Drücken Sie die EINGABETASTE, um die Stimmungsbewertungen anzuzeigen. Die Ergebnisse sollten wie folgt lauten:

   > 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-Überprüfungsschritte

1. Starten Sie Python.exe unter „C:\Programme\Microsoft SQL Server\MSSQL14.MSSQLSERVER\PYTHON_SERVICES“.

2. Fügen Sie das folgende Python-Skript an der Eingabeaufforderung ein.

   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. Drücken Sie die EINGABETASTE, um die Bewertungen zu drucken. Die Ergebnisse sollten wie folgt lauten:

   >>> 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
   >>>
   

Hinweis

Wenn bei Demoskripts ein Fehler auftritt, überprüfen Sie zuerst den Dateispeicherort. Bei Systemen mit mehreren Instanzen von SQL Server oder bei Instanzen, die parallel mit eigenständigen Versionen ausgeführt werden, kann es vorkommen, dass das Installationsskript die Umgebung falsch liest und die Dateien am falschen Speicherort ablegt. Normalerweise wird das Problem durch manuelles Kopieren der Dateien in den richtigen „mxlib“-Ordner behoben.

Beispiele für die Verwendung von vortrainierten Modellen

Über den folgenden Link gelangen Sie zu Codebeispielen zum Aufrufen der vortrainierten Modelle.

• Codebeispiel: Standpunktanalyse mithilfe von Textfeaturebereitstellung

Recherche und Ressourcen

Derzeit sind für die Standpunktanalyse und Bildklassifizierung die DNN-Modelle (Deep Neural Network) verfügbar. Alle vortrainierten Modelle wurden mit dem Computation Network Toolkit bzw. CNTK von Microsoft trainiert.

Die Konfiguration der einzelnen Netzwerke basiert auf den folgenden Verweisimplementierungen:

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

Weitere Informationen zu den in diesen Deep Learning-Modellen verwendeten Algorithmen sowie zu deren Implementierung und Training mit CNTK finden Sie in den folgenden Artikeln:

• Algorithmus von Recherchemitarbeitern bei Microsoft definiert ImageNet Challenge-Meilenstein

• Das Computational Network Toolkit von Microsoft bietet äußerst effiziente verteilte Deep Learning-Rechenleistung

Weitere Informationen

• SQL Server Machine Learning Services
• Upgrade von R- und Python-Komponenten in SQL Server-Instanzen
• MicrosoftML-Paket für R
• microsoftml-Paket für Python